r - 在自定义R函数中预分配内存以提高性能(使用dplyr)

Question

编辑：由于我对data.table一点都不熟悉，除了切换到data.table之外，还有人对其他解决方案有什么想法吗？万分感谢！

我有一个很大的数据集，其中包含不同类型事件的开始日期和结束日期（每一行都包含一个具有各自开始日期和结束日期的事件）。现在，我想知道在当前事件之前或之后是否直接存在相同类型的事件。棘手的事情是，事件之间的假日和周末不计算在内/不应考虑。

示例：类型1的事件在星期三开始，在星期五结束，然后是周末，在星期一，另一个类型1的事件开始并持续到星期五。在这种情况下，“ incident_direct_before”对于第二个事件为true（= 1），因为这两个事件仅相隔一个周末（不应考虑），而对于第一个事件则为false（= 0），因为它是同类产品中的第一个。

我已经为此编写了一个函数，但是它很慢。

我现在的问题是：您是否知道如何提高代码的性能？

我已经阅读了有关内存的预分配的信息，但是由于我没有任何“ for（i：1：n）”的信息，因此我不确定该怎么做。

我也尝试过从编译器软件包中获取cmpfun（），但是它执行的功能与原始程序大致相同（甚至稍差一些）。

由于我没有CS的背景知识，只是想深入研究代码优化主题，因此我非常乐意提供帮助，并解释为什么某些方法（对于我而言）不起作用。

包装方式：

  library(dplyr)
  library(lubridate)

示例数据：

df <- structure(list(start = structure(c(16920, 16961, 16988, 17008, 13563, 13598, 13819, 13880, 13886, 
                                                 13887, 13892, 13899, 13907, 13910, 13969, 14487, 14488, 14550, 
                                                 14606, 14676, 14743, 14819, 14841, 14851, 14915, 14984), class = "Date"), 
                     end = structure(c(16927,16965, 16990, 17011, 13595, 13616, 13875, 13885, 13886, 13889, 
                                               13896, 13906, 13909, 13966, 13969, 14487, 14496, 14554, 14608, 
                                               14680, 14743, 14820, 14841, 14862, 14918, 14985), class = "Date"), 
                     type = c(1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 3, 4, 4, 4, 5, 6, 7, 8, 8, 9, 9, 9, 9, 9, 9)), 
                class = "data.frame", row.names = c(NA, -26L))

我的自定义假日矢量示例：

holidays <- as.Date(c("2009-12-30", "2009-12-31", "2010-01-01"))

我的功能是检查是否在之前（不包括周末和节假日）发生了相同类型的事件：

incident_function <- function(startdate, enddate, lagstart, lagend) {
  if (is.na(lagstart) ||is.na(lagend) ) {
    priorincident <- 0
  } else {
    daycount <- 0
    priorincident <- 0
    day_start <- as.Date(startdate) - lubridate::duration(1, 'days')
    while (day_start %in% holidays || weekdays(day_start) %in% c("Saturday", "Sunday")) { 
      daycount <- daycount +1
      day_start <- (as.Date(day_start) - lubridate::duration(1, 'days'))
    } 
    { if (as.Date(day_start) %in% seq.Date(lagstart, lagend, by='days')){
      priorincident <- 1
    } else {
      priorincident <- 0
    } 
    }
    return(priorincident) 
  }
}

该函数基本上执行以下操作：
1）如果它是类型中的第一个事件/滞后事件为NA，则将0分配给优先事件（=不存在相同类型的先前事件）。
2）else：以当前行的开始日期为例，看看前一天是假期还是星期六/星期日；如果是，请再回一天再检查一次（...）。如果开始日期减n天既不是假日，也不是星期六/星期日，也不是滞后事件的结束日期，则将0分配给先前事件，但是，如果开始日期减n天是先前事件的结束日期，则分配1表示先验事件（=先前有相同类型的事件）。

（由于dplyr管道中的group_by（type），涵盖了“相同类型”方面）

然后，我使用dplyr对事件类型进行分组，然后应用event_function：

df %>%
  group_by(type) %>%
  dplyr::mutate(incident_directly_before = mapply(incident_function, startdate=start, enddate=end, lagstart=dplyr::lag(start), lagend=dplyr::lag(end))) -> df

   start      end         type incident_directly_before
   <date>     <date>     <dbl>                    <dbl>
 1 2016-04-29 2016-05-06     1                        0
 2 2016-06-09 2016-06-13     1                        0
 3 2016-07-06 2016-07-08     1                        0
 4 2016-07-26 2016-07-29     1                        0
 5 2007-02-19 2007-03-23     2                        0
 6 2007-03-26 2007-04-13     2                        1
 7 2007-11-02 2007-12-28     2                        0
 8 2008-01-02 2008-01-07     2                        0
 9 2008-01-08 2008-01-08     2                        1
10 2008-01-09 2008-01-11     2                        1
11 2008-01-14 2008-01-18     2                        1
12 2008-01-21 2008-01-28     3                        0
13 2008-01-29 2008-01-31     4                        0
14 2008-02-01 2008-03-28     4                        1
15 2008-03-31 2008-03-31     4                        1
16 2009-08-31 2009-08-31     5                        0
17 2009-09-01 2009-09-09     6                        0
18 2009-11-02 2009-11-06     7                        0
19 2009-12-28 2009-12-30     8                        0
20 2010-03-08 2010-03-12     8                        0
21 2010-05-14 2010-05-14     9                        0
22 2010-07-29 2010-07-30     9                        0
23 2010-08-20 2010-08-20     9                        0
24 2010-08-30 2010-09-10     9                        0
25 2010-11-02 2010-11-05     9                        0
26 2011-01-10 2011-01-11     9                        0

在此先多谢您不要让我浪费生命，盯着那个可爱的红色小八角形！

Answer 1

另一种data.table方法，该方法将周六和周日考虑在内...

码

library(data.table)
setDT(df)

#get the day before and the day after, exclude saturdays and sundays
# use wday(start), sunday = 1, saturday = 7
# detrmine previous and next days..
# you can add holidays the same way...
df[ ,`:=`(id = seq.int(.N), prevDay = start - 1, nextDay = end + 1 )]
df[ wday(start) == 7, prevDay := start - 1 ]
df[ wday(start) == 1, prevDay := start - 2 ]
df[ wday(end) == 7, nextDay := start + 2 ]
df[ wday(end) == 1, nextDay := start + 1 ]
setcolorder(df, "id")

#perform join on self
df[df, overlap_id_after := i.id, on = .(type, nextDay == start)]
df[df, overlap_id_before := i.id, on = .(type, prevDay == start)]

样本数据

df <- structure(list(start = structure(c(16920, 16961, 16988, 17008, 13563, 13598, 13819, 13880, 13886, 
                                         13887, 13892, 13899, 13907, 13910, 13969, 14487, 14488, 14550, 
                                         14606, 14676, 14743, 14819, 14841, 14851, 14915, 14984), class = "Date"), 
                     end = structure(c(16927,16965, 16990, 17011, 13595, 13616, 13875, 13885, 13886, 13889, 
                                       13896, 13906, 13909, 13966, 13969, 14487, 14496, 14554, 14608, 
                                       14680, 14743, 14820, 14841, 14862, 14918, 14985), class = "Date"), 
                     type = c(1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 3, 4, 4, 4, 5, 6, 7, 8, 8, 9, 9, 9, 9, 9, 9)), 
                class = "data.frame", row.names = c(NA, -26L))