Question

我正在寻找加快以下方法的方法。任何指针都非常受欢迎。瓶颈在哪里？

说我有以下data.frame：

df <- data.frame(names=c("A ADAM", "S BEAN", "A APPLE", "J BOND", "J BOND"), 
                      v1=c("Test_a", "Test_b", "Test_a", "Test_b", "Test_b"), 
                      v2=c("Test_c", "Test_c", "Test_d", "Test_d", "Test_d"))

我想比较df中JaroWinkler相似度的每对行。

在其他人的帮助下（see this post），我已经能够构建此代码：

#columns to compare 
testCols <- c("names", "v1", "v2")

#compare pairs
RowCompare= function(x){
 comp <- NULL
 pairs <- t(combn(nrow(x),2))
 for(i in 1:nrow(pairs)){
   row_a <- pairs[i,1]
   row_b <- pairs[i,2]
   a_tests <- x[row_a,testCols]
   b_tests <- x[row_b,testCols]
 comp <- rbind(comp, c(row_a, row_b, TestsCompare(a_tests, b_tests)))
 }

colnames(comp) <- c("row_a","row_b","names_j","v1_j","v2_j")
return(comp)
}

#define TestsCompare
TestsCompare=function(x,y){
names_j <- stringdist(x$names, y$names, method = "jw")
v1_j <-stringdist(x$v1, y$v1, method = "jw")
v2_j <-stringdist(x$v2, y$v2, method = "jw")
c(names_j,v1_j, v2_j)
}

这会生成正确的输出：

output = as.data.frame(RowCompare(df))

> output
   row_a row_b   names_j      v1_j      v2_j
1      1     2 0.4444444 0.1111111 0.0000000
2      1     3 0.3571429 0.0000000 0.1111111
3      1     4 0.4444444 0.1111111 0.1111111
4      1     5 0.4444444 0.1111111 0.1111111  
5      2     3 0.4603175 0.1111111 0.1111111
6      2     4 0.3333333 0.0000000 0.1111111
7      2     5 0.3333333 0.0000000 0.1111111
8      3     4 0.5634921 0.1111111 0.0000000
9      3     5 0.5634921 0.1111111 0.0000000
10     4     5 0.0000000 0.0000000 0.0000000

然而，我的真实data.frame有800万观察，我进行了17次比较。要运行此代码需要几天......

我正在寻找加快这一过程的方法：

我应该使用矩阵而不是data.frames吗？
如何并行化这个过程？
矢量化？

Answer 1

如果迭代要检查的变量，可以为每个变量stringdist::stringdistmatrix创建一个距离矩阵。使用lapply或purrr::map的形式将返回距离矩阵列表（每列一个），您可以依次迭代到cal broom::tidy，这将使它们变得很好格式化data.frames。如果您使用purrr::map_df并使用其.id参数，则结果将被强制转换为一个大型data.frame，并且每个列表元素的名称将作为新列添加，以便您可以保持直接。生成的data.frame将以长格式显示，因此如果您希望它与上面的结果相匹配，请重新设置tidyr::spread。

如果您在评论中提到，您希望对不同的变量使用不同的方法，请与map2或Map并行迭代。

总之，

library(tidyverse)

map2(df, c('soundex', 'jw', 'jw'), ~stringdist::stringdistmatrix(.x, method = .y)) %>% 
    map_df(broom::tidy, .id = 'var') %>% 
    spread(var, distance)

##    item1 item2 names        v1        v2
## 1      2     1     1 0.1111111 0.0000000
## 2      3     1     1 0.0000000 0.1111111
## 3      3     2     1 0.1111111 0.1111111
## 4      4     1     1 0.1111111 0.1111111
## 5      4     2     1 0.0000000 0.1111111
## 6      4     3     1 0.1111111 0.0000000
## 7      5     1     1 0.1111111 0.1111111
## 8      5     2     1 0.0000000 0.1111111
## 9      5     3     1 0.1111111 0.0000000
## 10     5     4     0 0.0000000 0.0000000

请注意，虽然choose(5, 2)返回10个观察值，但choose(8000000, 2)会返回3.2e + 13（32 万亿）观测值，因此出于实际目的，即使这样做会更有效比现有代码快（并且stringdistmatrix在可能的情况下进行一些并行化），除非您只处理子集，否则数据将变得非常大。

在R - 最快的方式成对地比较字符串的相似性

1 个答案: