- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
之前也有人问过类似的问题,但没有明确的通用答案。 (Joseph Adler 的实验不再在网上,他的书只说“编写一个 S4 类”。)
假设有一个包含多个索引的大型查找表。假设要查找的值大小适中。即使是 R 合并也很慢。下面是一个例子:
{
L <- 100000000 ## only 100M entries for 1GB*4 of int data
lookuptable <- data.frame( i1=sample(1:L), i2=sample(1:L), v1=rnorm(L), v2=rnorm(L) )
NLUP <- 10 ## look up only 10+1 values in large table
vali <- sample(1:L, NLUP)
lookmeup <- data.frame( i1= c(lookuptable[vali,1], -1),
i2= c(lookuptable[vali,2],-1), vA=rnorm(11) )
rm(vali); rm(L)
}
## I want to speed this up---how?
system.time( merge( lookmeup, lookuptable, by.x=c("i1","i3"), by.y=c("i1","i2"),
all.x=T, all.y=F, sort=F ) )
data.table
与
setkey
在指纹上(或者它也可以封装两列索引?我试过但失败了,可能是因为我不是普通用户);或者我可以编写一个 C 程序,它接受两个整数指纹列并返回一个。
最佳答案
致 match two data.frames
on multiple columns您可以从基础使用 merge或 match结合 interaction , paste或使用 list .也可以到map two integers to one, in a unique and deterministic way .一个简单的扩展名是 fastmatch
可以比 match
更快的库从基地。还有 dplyr
或 data.table
可以是一个选择。也看看:Matching more than 2 conditions , How to join (merge) data frames和 Fast single item lookup .
library(fastmatch)
library(dplyr)
library(microbenchmark)
microbenchmark(times = 10L, setup = gc(), check = "equivalent"
, merge = merge(lookMeUp, lookupTable, all.x=TRUE, sort=FALSE)
, dplyr = left_join(lookMeUp, lookupTable, by = c("i1", "i2"))
, inter = cbind(lookMeUp, lookupTable[match(interaction(lookMeUp[c("i1","i2")])
, interaction(lookupTable[c("i1","i2")])), 3:4])
, paste = cbind(lookMeUp, lookupTable[match(paste(lookMeUp$i1, lookMeUp$i2)
, paste(lookupTable$i1, lookupTable$i2)), 3:4])
, int = cbind(lookMeUp, lookupTable[match(lookMeUp$i1 + lookMeUp$i2 * max(lookupTable$i1)
, lookupTable$i1 + lookupTable$i2 * max(lookupTable$i1)), 3:4])
, fInter = cbind(lookMeUp, lookupTable[fmatch(interaction(lookMeUp[c("i1","i2")])
, interaction(lookupTable[c("i1","i2")])), 3:4])
, fPaste = cbind(lookMeUp, lookupTable[fmatch(paste(lookMeUp$i1, lookMeUp$i2)
, paste(lookupTable$i1, lookupTable$i2)), 3:4])
, fint = cbind(lookMeUp, lookupTable[fmatch(lookMeUp$i1 + lookMeUp$i2 * max(lookMeUp$i1)
, lookupTable$i1 + lookupTable$i2 * max(lookMeUp$i1)), 3:4])
)
#Unit: milliseconds
# expr min lq mean median uq max neval
# merge 2547.72575 2564.72138 2590.03400 2578.14307 2585.01870 2735.23435 10
# dplyr 690.55046 695.56161 703.01335 703.95085 707.32141 714.00890 10
# inter 511.86378 514.36418 528.73905 529.14331 535.33359 552.20183 10
# paste 750.01340 763.84494 942.47309 777.73232 1273.83380 1377.00192 10
# int 71.56913 72.15233 73.27748 72.92613 73.89630 77.01510 10
# fInter 447.82012 450.00472 459.51196 455.82473 464.85767 491.52366 10
# fPaste 713.68824 719.60794 796.94680 726.70971 788.36997 1316.64071 10
# fint 59.04541 59.13039 60.95638 60.59758 62.58539 63.65308 10
match
的情况下访问数据行。但是如果缺少某些组合,此方法将添加未定义的行,在创建
matrix
时将等效或
array
.您还可以使用内置哈希在
environment
中查找变量。 .还有来自
findInterval
的二分查找可以使用。
system.time({maxLTi1 <- max(lookupTable$i1); lookupTable$id <- lookupTable$i1 + lookupTable$i2 * maxLTi1})
# User System verstrichen
# 0.006 0.000 0.006
system.time(fmatch(c(lookupTable$id[1], 0), lookupTable$id)) #Create Hash
# User System verstrichen
# 0.056 0.000 0.056
#system.time(fmatch(lookupTable$id[1], lookupTable$id)) #Create Hash in case you have only matches
# User System verstrichen
# 0.016 0.004 0.020
system.time({
lookupTableS <- lookupTable[0,]
lookupTableS[lookupTable$id,] <- lookupTable #Sort Table with gaps
})
# User System verstrichen
# 0.080 0.011 0.091
system.time({
lookupTableS2 <- lookupTable[order(lookupTable$id),] #Sort Table
})
# User System verstrichen
# 0.074 0.000 0.074
library(Matrix)
system.time({ #Sorted Sparse Vector
i <- order(lookupTable$id)
lookupTableS3 <- sparseVector(i, lookupTable$id[i], max(lookupTable$id))})
# User System verstrichen
# 0.057 0.008 0.065
system.time(lupEnv <- list2env(setNames(as.list(seq_len(nrow(lookupTable))), paste(lookupTable$i1, lookupTable$i2))))
# User System verstrichen
# 4.824 0.056 4.880
library(data.table);
lookupTableDT <- as.data.table(copy(lookupTable))
lookMeUpDT <- as.data.table(copy(lookMeUp))
system.time(setkey(lookupTableDT, i1, i2))
# User System verstrichen
# 0.094 0.000 0.027
lookMeUpDT$id <- lookMeUp$i1 + lookMeUp$i2 * max(lookupTable$i1)
lookupTableDTId <- as.data.table(copy(lookupTable))
system.time(setkey(lookupTableDTId, id))
# User System verstrichen
# 0.091 0.000 0.026
lookMeUpDTId <- copy(lookMeUpDT)
lookMeUpDTId$row <- seq_len(nrow(lookMeUpDTId))
setkey(lookMeUpDTId, id)
microbenchmark(times = 10L, setup = gc(), check = "equivalent"
, int = cbind(lookMeUp, lookupTable[match(lookMeUp$i1 + lookMeUp$i2 * max(lookupTable$i1)
, lookupTable$i1 + lookupTable$i2 * max(lookupTable$i1)), 3:4])
, fint = cbind(lookMeUp, lookupTable[fmatch(lookMeUp$i1 + lookMeUp$i2 * max(lookMeUp$i1)
, lookupTable$i1 + lookupTable$i2 * max(lookMeUp$i1)), 3:4])
, id = cbind(lookMeUp, lookupTable[match(lookMeUp$i1 + lookMeUp$i2 * maxLTi1
, lookupTable$id), 3:4])
, sparid = {i <- lookMeUp$i1 + lookMeUp$i2 * maxLTi1
j <- i
j[i>0] <- as.vector(lookupTableS3[i[i>0]])
cbind(lookMeUp, lookupTable[ifelse(j>0,j,NA), 3:4])}
, DT = merge(lookMeUpDT[,1:3], lookupTableDT[,1:4], by=c("i1", "i2"), all.x=TRUE, sort = FALSE)
, DTid = merge(lookMeUpDT, lookupTableDTId[,-2:-1], by=c("id"), all.x=TRUE, sort = FALSE)[,-1]
, DiIdKey = merge(lookMeUpDTId, lookupTableDTId[,-2:-1], all.x=TRUE, sort = FALSE)[order(row),][,c(-1,-5)]
, findInt = {i <- lookMeUp$i1 + lookMeUp$i2 * maxLTi1
j <- findInterval(i, lookupTableS2$id)
j[j==0] <- NA
j[i != lookupTableS2$id[j]] <- NA
cbind(lookMeUp, lookupTableS2[j, 3:4])}
, envir = cbind(lookMeUp, lookupTable[vapply(paste(lookMeUp$i1, lookMeUp$i2), function(i) {x <- lupEnv[[i]]; if(is.null(x)) NA else x}, 1), 3:4])
, fid = cbind(lookMeUp, lookupTable[fmatch(lookMeUp$i1 + lookMeUp$i2 * maxLTi1
, lookupTable$id), 3:4])
, sid = cbind(lookMeUp, lookupTableS[ifelse(lookMeUp$i1 > 0, lookMeUp$i1 + lookMeUp$i2 * maxLTi1, NA), 3:4])
)
#Unit: microseconds
# expr min lq mean median uq max neval
# int 75167.977 76446.819 77817.3349 77958.9650 78649.235 80656.715 10
# fint 63332.436 63948.769 64574.8881 64194.2765 64942.559 66808.193 10
# id 68198.639 69293.551 70477.6062 70223.0505 71393.354 74951.007 10
# sparid 9181.928 9217.312 9552.0241 9478.8475 9561.917 10895.649 10
# DT 4990.075 5000.857 5125.6716 5051.4970 5157.057 5547.220 10
# DTid 4167.229 4189.703 4250.0804 4232.8955 4289.718 4440.924 10
# DiIdKey 4547.589 4582.915 4626.9514 4597.6790 4634.311 4867.630 10
# findInt 2795.560 2813.100 2854.7069 2815.4890 2857.084 3097.120 10
# envir 526.971 530.459 537.5767 532.9755 546.402 551.231 10
# fid 424.790 425.218 433.7295 433.3335 441.673 444.026 10
# sid 436.135 439.688 445.1770 441.5705 445.331 464.685 10
#In case order and columns need not be like the others
microbenchmark(times = 10L, setup = gc(), unit = "us",
DiIdKey = merge(lookMeUpDTId, lookupTableDTId, all.x=TRUE, sort = FALSE))
#Unit: microseconds
# expr min lq mean median uq max neval
# DiIdKey 1692.629 1706.14 1719.556 1717.142 1722.067 1778.88 10
fmatch
可能是
推荐 .在纯基础中,查找表可以按 ID 排序,缺少的组合将用 NA 填充,这允许直接访问匹配行而不使用
match
.或者,可以在使用内置哈希搜索的环境中完成查找,但这会产生很多开销。还使用
findInterval
显示出良好的结果。
integer
将它们投给
factor
并使用它们的整数值。
set.seed(7)
sqrtN <- 1e3
lookupTable <- data.frame(expand.grid(i1=seq_len(sqrtN), i2=seq_len(sqrtN)), v1=seq_len(sqrtN*sqrtN))[sample(sqrtN*sqrtN),]
lookupTable$v2 <- seq_len(sqrtN*sqrtN)
lookMeUp <- rbind(lookupTable[sample(nrow(lookupTable), 10), 1:2], c(-1, -1))
lookMeUp$vA <- letters[1:nrow(lookMeUp)]
sqrtN <- 7.1e3
lookupTable <- data.frame(expand.grid(i1=seq_len(sqrtN), i2=seq_len(sqrtN)), v1=seq_len(sqrtN*sqrtN))[sample(sqrtN*sqrtN),]
lookupTable$v2 <- seq_len(sqrtN*sqrtN)
lookMeUp <- rbind(lookupTable[sample(nrow(lookupTable), 10), 1:2], c(-1, -1))
lookMeUp$vA <- letters[1:nrow(lookMeUp)]
system.time({maxLTi1 <- max(lookupTable$i1); lookupTable$id <- lookupTable$i1 + lookupTable$i2 * maxLTi1})
# User System verstrichen
# 0.312 0.016 0.329
system.time(lookupTable <- lookupTable[order(lookupTable$id),]) #For findIntervall
# User System verstrichen
# 6.786 0.120 6.905
system.time({
i <- lookMeUp$i1 + lookMeUp$i2 * maxLTi1
j <- findInterval(i, lookupTable$id)
j[j==0] <- NA
j[i != lookupTable$id[j]] <- NA
cbind(lookMeUp, lookupTable[j, 3:4])
})
# User System verstrichen
# 0.099 0.048 0.147
system.time(fmatch(c(lookupTable$id[1], 0), lookupTable$id)) #Create Hash
# User System verstrichen
# 2.642 0.120 2.762
system.time(cbind(lookMeUp, lookupTable[fmatch(lookMeUp$i1 + lookMeUp$i2 * maxLTi1, lookupTable$id), 3:4]))
# User System verstrichen
# 0 0 0
关于r - 快速 R 查找表,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59673734/
我正在从 Stata 迁移到 R(plm 包),以便进行面板模型计量经济学。在 Stata 中,面板模型(例如随机效应)通常报告组内、组间和整体 R 平方。 I have found plm 随机效应
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 想改进这个问题?将问题更新为 on-topic对于堆栈溢出。 6年前关闭。 Improve this qu
我想要求用户输入整数值列表。用户可以输入单个值或一组多个值,如 1 2 3(spcae 或逗号分隔)然后使用输入的数据进行进一步计算。 我正在使用下面的代码 EXP <- as.integer(rea
当 R 使用分类变量执行回归时,它实际上是虚拟编码。也就是说,省略了一个级别作为基础或引用,并且回归公式包括所有其他级别的虚拟变量。但是,R 选择了哪一个作为引用,以及我如何影响这个选择? 具有四个级
这个问题基本上是我之前问过的问题的延伸:How to only print (adjusted) R-squared of regression model? 我想建立一个线性回归模型来预测具有 15
我在一台安装了多个软件包的 Linux 计算机上安装了 R。现在我正在另一台 Linux 计算机上设置 R。从他们的存储库安装 R 很容易,但我将不得不使用 安装许多包 install.package
我正在阅读 Hadley 的高级 R 编程,当它讨论字符的内存大小时,它说: R has a global string pool. This means that each unique strin
我们可以将 Shiny 代码写在两个单独的文件中,"ui.R"和 "server.R" , 或者我们可以将两个模块写入一个文件 "app.R"并调用函数shinyApp() 这两种方法中的任何一种在性
我正在使用 R 通过 RGP 包进行遗传编程。环境创造了解决问题的功能。我想将这些函数保存在它们自己的 .R 源文件中。我这辈子都想不通怎么办。我尝试过的一种方法是: bf_str = print(b
假设我创建了一个函数“function.r”,在编辑该函数后我必须通过 source('function.r') 重新加载到我的全局环境中。无论如何,每次我进行编辑时,我是否可以避免将其重新加载到我的
例如,test.R 是一个单行文件: $ cat test.R # print('Hello, world!') 我们可以通过Rscript test.R 或R CMD BATCH test.R 来
我知道我可以使用 Rmd 来构建包插图,但想知道是否可以更具体地使用 R Notebooks 来制作包插图。如果是这样,我需要将 R Notebooks 编写为包小插图有什么不同吗?我正在使用最新版本
我正在考虑使用 R 包的共享库进行 R 的站点安装。 多台计算机将访问该库,以便每个人共享相同的设置。 问题是我注意到有时您无法更新包,因为另一个 R 实例正在锁定库。我不能要求每个人都关闭它的 R
我知道如何从命令行启动 R 并执行表达式(例如, R -e 'print("hello")' )或从文件中获取输入(例如, R -f filename.r )。但是,在这两种情况下,R 都会运行文件中
我正在尝试使我当前的项目可重现,因此我正在创建一个主文档(最终是一个 .rmd 文件),用于调用和执行其他几个文档。这样我自己和其他调查员只需要打开和运行一个文件。 当前设置分为三层:主文件、2 个读
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 想改进这个问题?将问题更新为 on-topic对于堆栈溢出。 5年前关闭。 Improve this qu
我的 R 包中有以下描述文件 Package: blah Title: What the Package Does (one line, title case) Version: 0.0.0.9000
有没有办法更有效地编写以下语句?accel 是一个数据框。 accel[[2]]<- accel[[2]]-weighted.mean(accel[[2]]) accel[[3]]<- accel[[
例如,在尝试安装 R 包时 curl作为 usethis 的依赖项: * installing *source* package ‘curl’ ... ** package ‘curl’ succes
我想将一些软件作为一个包共享,但我的一些脚本似乎并不能很自然地作为函数运行。例如,考虑以下代码块,其中“raw.df”是一个包含离散和连续类型变量的数据框。函数“count.unique”和“squa
我是一名优秀的程序员,十分优秀!