Question

我想使用ffdf完成以下操作：合并列X和Y以及最接近的时间，然后在关闭列B上合并。但是，我知道在较小样本中的过程涉及使用外部合并（如下所示）。使用ffbase，对于那些不适合内存（并且可能不会在sqldf上工作）的大样本，有什么方法？如果不可能，那么最好的图书馆是什么？

作为一个可重复的例子，如下所示：

set.seed(1)
df.ff <- as.ffdf(cbind(expand.grid(x = 1:3, y = 1:5), time = round(runif(15) * 30)))

to.merge.ff <- as.ffdf(data.frame(x = c(2, 2, 2, 3, 2), y = c(1, 1, 1, 5, 4), time = c(17, 12, 11.6, 22.5, 2), val = letters[1:5], stringsAsFactors = F))

我在这里借用@ChinmayPatil中的以下示例来突出我想要遵循的类似程序：（R - merge dataframes on matching A, B and *closest* C?）：

require(data.table)
set.seed(1)
df <- setDT(cbind(expand.grid(x = 1:3, y = 1:5), time = round(runif(15) * 30)))

to.merge <- setDT(data.frame(x = c(2, 2, 2, 3, 2), y = c(1, 1, 1, 5, 4), time = c(17, 12, 11.6, 22.5, 2), val = letters[1:5], stringsAsFactors = F))

## First do a left outer merge
A <- merge(to.merge,df, by = c('x','y'), all.x = T )

## Then calculate a diff row as such
A$diff <- abs(A$time.x - A$time.y)

##then take the minimum distance
A[ , .I[which.min(diff)] , by = c('x', 'y' ) ]

Answer 1

鉴于我的问题得到的观点很少而且没有答案，我将描述我想出的解决这个问题的方法，希望有人可能会发现它有用（或者甚至为我提醒以后的将来））：

对我而言，在一列上执行此匹配然后在另一列上最接近匹配的最困难的方面是我一直认为执行外连接（如帖子中所述）是必要的。使用data.table和ffdfdply解决方案非常简单。出于说明的目的，假设有一个大的ffdf对象和一个适合内存的常规data.table ：

### Large ffdf object    
A <- as.ffdf(data.table( dates.A = seq.Date(as.Date('2008-01-01'),as.Date('2008-01-31'), by = '3 days'), 
                     letters.A = LETTERS[1:4] , value.A = runif(4) ))

### Small data.table that fits in memory
B <- data.table( date.B = seq.Date(as.Date('2008-01-01'),as.Date('2008-01-05'), by = 'days'), 
                 letters.B = LETTERS[1:4] , value.B = runif(4) )

然后你可以简单地定义一个使用data.table和roll =＆＃39;最接近＆＃39;进行合并的函数：

merge.ff <- function(x){
setDT(x)
x[, ':=' (dates.merge = dates.A, letters.merge = letters.A)]
B[, ':=' (dates.merge = date.B, letters.merge = letters.B)]
setkeyv(x, c('letters.merge','dates.merge'))
setkeyv(B, c('letters.merge','dates.merge'))

as.data.frame(B[x, roll = 'nearest'])
}

并将其应用于A：

result <- ffdfdply( A, split = A$dates.A, FUN = merge.ff)

密钥主要是在data.table中使用roll方法并将其传递给ffdfdply。它看起来非常有效。

ffbase：合并列X和Y以及最近的列Z

1 个答案: