r - table() 的 as.data.frame 总结频率

Question

在 R ，我正在寻找一种节省内存的方法来创建表格数据的摘要，如下所示。

以 data.frame 为例foo我用过的 table()总结一下，后面是as.data.frame()以获取频率计数。

foo <- data.frame(x= c('a', 'a', 'a', 'b', 'b', 'b'), y=c('ab', 'ac', 'ad', 'ae', 'fx', 'fy'))
bar <- as.data.frame(table(foo), stringsAsFactors=F)

这导致 bar 的以下频率计数

   x  y Freq
1  a ab    1
2  b ab    0
3  a ac    1
4  b ac    0
5  a ad    1
6  b ad    0
7  a ae    0
8  b ae    1
9  a fx    0
10 b fx    1
11 a fy    0
12 b fy    1

我遇到的问题是当 x 的级别很多时和 y ，它开始使用大量内存 > 64 GB。我想知道是否有其他方法可以进行这种频率计数。作为第一步，我设置了 stringsAsFactors=F ，但这并不能完全解决问题。

Answer 1

我有这种快速(稀疏)交叉表的方法。我认为有进一步优化的可能性，但对于大型数据集来说，这对我来说已经足够了。关键是使用ninteraction来自 plyr包以快速为每一行生成一个数字 id。

tab <- function(df, drop = TRUE) {
  id <- plyr::ninteraction(df)
  ord <- order(id)

  df <- df[ord, , drop = FALSE]
  id <- id[ord]

  freq <- rle(id)$lengths
  labels <- unrowname(df[cumsum(freq), , drop = FALSE])

  data.frame(labels, freq)
}