sql - data.table 连接的时间

Question

我在 R 中有两个 data.table:

> tables()
     NAME          NROW   MB COLS                                 KEY       
[1,] dtb      2,536,206   68 dte,permno,capm_beta,mkt_beta_bucket permno,dte
[2,] idx_dtb        573    1 dte                                  dte       
[3,] ssd_dtb 58,808,208 1571 dte,permno,xs_ret,mkt_cap            permno,dte
Total: 1,640MB

我想做一个右外连接:select * from dtb right join ssd_dtb using (permno, dte)

data.table 中的等效命令是:

mdtb <- dtb[ssd_dtb]

到目前为止，它已经运行了大约 20 分钟。这看起来有点长，因为它通常在 SQL 服务器上运行需要更少的时间。我是否滥用了这个包？

问题回答后编辑:我认为这可能有助于理解为什么我必须执行 dtb[ssd_dtb] 而不是 ssd_dtb[dtb]。我设计了一个简单的例子:

> x <- data.table(id=1:5, t=1:15, v=1:15)
> x
    id  t  v
 1:  1  1  1
 2:  2  2  2
 3:  3  3  3
 4:  4  4  4
 5:  5  5  5
 6:  1  6  6
 7:  2  7  7
 8:  3  8  8
 9:  4  9  9
10:  5 10 10
11:  1 11 11
12:  2 12 12
13:  3 13 13
14:  4 14 14
15:  5 15 15
> y <- data.table(id=c(1,1,2,3), t=c(1,2,6,13), v2=41:44)
> y
   id  t v2
1:  1  1 41
2:  1  2 42
3:  2  6 43
4:  3 13 44

> x[y]
   id  t  v v2
1:  1  1  1 41
2:  1  2 NA 42
3:  2  6 NA 43
4:  3 13 13 44
> x[y, nomatch=0]
   id  t  v v2
1:  1  1  1 41
2:  3 13 13 44
> y[x]
    id  t v2  v
 1:  1  1 41  1
 2:  1  6 NA  6
 3:  1 11 NA 11
 4:  2  2 NA  2
 5:  2  7 NA  7
 6:  2 12 NA 12
 7:  3  3 NA  3
 8:  3  8 NA  8
 9:  3 13 44 13
10:  4  4 NA  4
11:  4  9 NA  9
12:  4 14 NA 14
13:  5  5 NA  5
14:  5 10 NA 10
15:  5 15 NA 15
> y[x, nomatch=0]
   id  t v2  v
1:  1  1 41  1
2:  3 13 44 13 

编辑 2:上述解决方案 1 请求的输出如下:

> Rprof()> mdtb  Rprof(NULL)> summaryRprof()$by.self               self.time self.pct total.time total.pct"[.data.table"     15.36    62.39      24.62    100.00".Call"             7.96    32.33       7.96     32.33"pmin"              0.92     3.74       1.16      4.71"list"              0.24     0.97       0.24      0.97"vector"            0.14     0.57       0.14      0.57$by.total               total.time total.pct self.time self.pct"[.data.table"      24.62    100.00     15.36    62.39"["                 24.62    100.00      0.00     0.00".Call"              7.96     32.33      7.96    32.33"pmin"               1.16      4.71      0.92     3.74"list"               0.24      0.97      0.24     0.97"vector"             0.14      0.57      0.14     0.57"integer"            0.14      0.57      0.00     0.00$sample.interval[1] 0.02$sampling.time[1] 24.62

Answer 1

如果我能在没有可重现示例的情况下进行猜测，我会尝试。在这种情况下，我会想到一些事情。好问题。

1. 在这种情况下，源代码中有一个 TODO 可能会导致速度大幅下降。不过，我并不知道事情有那么糟糕。如果您知道 dtb 的 key 是唯一的(即在每个 permno 中没有重复的 dte)，很可能在这里，那么设置 mult="first" 来解决它。或者 mult="last" 是一样的。它正在做的是找到组的起点和终点，但是当一个键是唯一的时，所有这些组都只有 1 行。

2. 较小的影响可能是 i 表与您的情况下的 x 相比较大。如果可能，尽量安排 i 小于 x 的查询；即 ssd_dtb[dtb] 而不是 dtb[ssd_dtb]。当 nomatch=0 时，它们将是相同的。

如果 1 中的解决方法有帮助，那么如果您可以运行以下命令并将结果发送给我，那就太好了。另外，请提出一个 bug.report(package="data.table") 链接回这个问题。这样，当状态发生变化时，您将获得自动更新。

Rprof()
dtb[ssd_dtb]  # reduce size so that this takes 30 seconds or something manageable
Rprof(NULL)
summaryRprof()

Rprof()
dtb[ssd_dtb,mult="first"]  # should be faster than above if my guess is right
Rprof(NULL)
summaryRprof()