Question

我有两个非常大的数据帧（50MM +行），我需要对它们进行一些计算。我开发了以下循环，但运行速度太慢。我尝试使用apply和其他方法，但我无法让它们工作。

#### Sample Data
df=data.frame(id=1:10,time=Sys.time()-1:10,within5=NA)
df2=data.frame(id2=c(1,1,1,5,5,10),time2=Sys.time()-c(9,5,2,3,4,6))

#### Loop shows how many results from df2 are within 5 secs of the creation of the ID    in df
for (i in 1:length(df$id))
{
temp=df2[df2$id==df$id[i],]
df$within5[i]=sum(abs(as.numeric(difftime(temp$time2,df$time[i],units="secs")))<5)
}

Answer 1

检查程序的改进，制作更大的样本数据。

df=data.frame(id=1:100,time=Sys.time()-1:100)
df2=data.frame(id2=sample(1:100,300000,replace=T),time2=Sys.time()-sample(1:5,300000,replace=T))

使用包ddply()中的功能plyr根据列id2划分数据。然后将您的函数应用于每个子集。

library(plyr)
df3 <- ddply(df2,"id2",function(x){ 
    data.frame(within5=sum(abs(as.numeric(difftime(x$time2,df$time[df$id==x$id2[1]],units="secs")))<5))})

结果我们获得了新的数据框架。

 head(df3)
  id2 within5
1   1    3129
2   2    3032
3   3    2935
4   4    3121
5   5    3042
6   6    2426

如果您在原始数据框中需要列within5，则可以使用函数merge()。

df4 <- merge(df,df3,by.x="id",by.y="id2",all=T)

使用我的样本数据，这个计算速度提高了10倍。

Answer 2

使用第二个ID查找参考时间，并从中减去事件时间，对于上面的数据

dt <- df2$time2 - df$time[df2$id]

然后选择绝对时间差小于5的事件ID

okIds <- df2$id2[abs(as.numeric(dt)) < 5]

将这些列表制作，并添加到原始数据框

df$within5 <- tabulate(okIds, max(df$id))

这依赖于id是顺序整数（如果不是，使它们成为factor()，然后使用整数编码结果）并且非常快。

R Loop运行太慢

2 个答案: