r - 展开两个大数据文件并应用使用data.table？

Question

我正在尝试将函数应用于两个数据集 df1 和 df2，其中 df1 包含 (a, b) 并且可以是 100 万行，df2 包含 (x, y, z) 并且可以非常大，从 ~100 到 >10,000 不等。我想对两个数据集的每个组合应用函数 foo，然后对第二个数据集求和。

foo <- function(a, b, x, y, z) a + b + x + y + z
df1 <- data.frame(a = 1:10, b = 11:20)
df2 <- data.frame(x= 1:5, y = 21:25, z = 31:35)

我用来应用此功能的代码(取自@jlhoward 此处 How to avoid multiple loops with multiple variables in R )

foo.new <- function(p1, p2) {
  p1 = as.list(p1); p2 = as.list(p2)
  foo(p1$a, p1$b, p2$x, p2$y, p2$z)
}

indx   <- expand.grid(indx2 = seq(nrow(df2)), indx1 = seq(nrow(df1)))
result <- with(indx, foo.new(df1[indx1, ], df2[indx2, ]))
sums   <- aggregate(result, by = list(rep(seq(nrow(df1)), each = nrow(df2))), sum)

但是，随着 df2 变大 (>1000)，我很快就用完内存来执行上面的 result 函数(运行具有 32GB RAM 的 64 位 PC)。

我已经阅读了很多关于 data.table 的内容，但无法评估其中是否有有助于节省内存的函数。将 替换为 并在 result 步骤或 expand.grid 在 index 创建一个较小的文件的东西步骤，它创建了迄今为止最大的文件。

Answer 1

这是一个 data.table 解决方案:应该很快:

library(data.table)
indx<-CJ(indx1=seq(nrow(df2)),indx2=seq(nrow(df1))) #CJ is data.table function for expand.grid
 indx[,`:=`(result=foo.new(df1[indx1, ], df2[indx2, ]),Group.1=rep(seq(nrow(df1)), each = nrow(df2)))][,.(sums=sum(result)),by=Group.1]

    Group.1 sums
 1:       1  355
 2:       2  365
 3:       3  375
 4:       4  385
 5:       5  395
 6:       6  405
 7:       7  415
 8:       8  425
 9:       9  435
10:      10  445