r - 如何从大型数据集中优化子集？

Question

我有这个金融交易数据集，它相当大但小到可以保存在内存中。

R> str(trans)
'data.frame':   130000000 obs. of  5 variables:
 $ id    : int  5 5 5 5 6 11 11 11 11 11 ...
 $ kod   : int  2 3 2 3 38 2 3 6 7 6 ...
 $ ar    : int  329 329 330 330 7 329 329 329 329 329 ...
 $ belopp: num  1531 -229.3 324 -48.9 0 ...
 $ datum : int  36976 36976 37287 37287 37961 36976 36976 37236 37236 37281 ...

我需要遍历它来提取每个唯一 id 的交易，并进行大量计算。问题是数据集的子集太慢了..

R> system.time(
+ sub <- trans[trans$id==15,]
+ )
   user  system elapsed 
   7.80    0.55    8.36


R> system.time(
+ sub <- subset(trans, id == 15)
+ )
   user  system elapsed 
   8.49    1.05    9.53 

由于这个数据集中有大约 10m 的唯一 ID，这样的循环将永远持续下去，我有什么想法可以加快速度吗？

编辑
我涉足过“data.tables”、索引和排序，但运气不佳。

library(data.table)
trans2 <- as.data.table(trans)
trans2 <- trans2[order(id)]
trans2 <- setkey(trans2, id)

R> system.time(
+ sub <- trans2[trans2$id==15,]
+ )
   user  system elapsed 
   7.33    1.08    8.41 

R> system.time(
+ sub <- subset(trans2, id == 15)
+ )
   user  system elapsed 
   8.66    1.12    9.78

编辑2 惊人的。

R> system.time(
+ sub <- trans2[J(15)]
+ )
   user  system elapsed 
      0       0       0 

Answer 1

Note:该帖子已通过更改从 rowSums 计算的函数进行了编辑至 colSums (在 data.table 的情况下使用 lapply)

我认为您无法比 data.table 更快地获得结果.这是 plyr 之间的基准和 data.table .当然，如果耗时的部分是你的函数，那么你可以使用 doMC使用 plyr 并行运行(假设你有很多核心或者你在一个集群上工作)。否则，我会坚持 data.table .这是具有大量测试数据和虚拟函数的分析:

# create a huge data.frame with repeating id values
len <- 1e5
reps <- sample(1:20, len, replace = TRUE)
x <- data.frame(id = rep(1:len, reps))
x <- transform(x, v1 = rnorm(nrow(x)), v2 = rnorm(nrow(x)))

> nrow(x) 
[1] 1048534 # 1 million rows

# construct functions for data.table and plyr
# method 1
# using data.table
DATA.TABLE <- function() {
    require(data.table)
    x.dt <- data.table(x, key="id")
    x.dt.out <- x.dt[, lapply(.SD, sum), by=id]
}

# method 2
# using plyr
PLYR <- function() {
    require(plyr)
    x.plyr.out <- ddply(x, .(id), colSums)
}

# let's benchmark
> require(rbenchmark)
> benchmark(DATA.TABLE(), PLYR(), order = "elapsed", replications = 1)[1:5]
          test replications elapsed relative user.self
1 DATA.TABLE()           1  1.006     1.00    .992
2       PLYR()           1  67.755   67.351  67.688

在具有 100 万行的 data.frame 上， data.table需要 0.992 seconds .使用 data.table 的加速与 plyr 相比(诚​​然，在计算列总和时)是 68x .根据函数中的计算时间，这种加速会有所不同。但是 data.table仍然会更快。 plyr是一种拆分-应用-组合策略。我认为与使用 base 来拆分、应用和组合自己相比，您不会获得可比的加速。当然你可以试试。

我运行了 1000 万行的代码。 data.table运行时间为 5.893 秒。 plyr耗时 6300 秒。