(编辑:@Arun清理并修复了下面的代码,并替换了R-Forge上的data.table中的'CJ'。功能请求:#4849; Faster CJ并更新Why is expand.grid faster than data.table 's CJ?)
在我看来,CJ
旨在处理满足anyDuplicated(vector) == F
的参数向量。
有没有人使用非唯一参数?
如果是这样,是否值得在我认为主要用途的速度上达到100倍的速度?
通过调整主要用途来降低速度的下限(这些样本参数的下限,而不是任何参数的下限):
Unit: milliseconds
expr min lq median uq max neval
dt1 <- CJ(a, b, c) 3149.15293 3166.59638 3204.95956 3472.70826 4414.919 100
dt2 <- fastCJ(a, b, c) 22.85207 23.16003 23.43691 24.04215 1208.855 100
Output identical: TRUE
library(microbenchmark)
library(data.table)
repTE <- function(x, times, each) {
rep.int(rep.int(x, times=rep.int(each, times=length(x))), times=times)
}
fastCJ <- function(...) {
arg_list <- list(...)
l <- lapply(arg_list, sort.int, method="quick")
seq_ct <- length(l)
if (seq_ct > 1) {
seq_lens <- vapply(l, length, numeric(1))
tot_len <- prod(seq_lens)
l <-lapply(
seq_len(seq_ct),
function(i) {
if (i==1) {
len <- seq_lens[1]
rep.int(l[[1]], times=rep.int(tot_len/len, len))
} else if (i < seq_ct) {
pre_len <- prod(seq_lens[1:(i - 1)])
repTE(l[[i]], times=pre_len, each=tot_len/pre_len/seq_lens[i])
} else {
rep.int(l[[seq_ct]], times=tot_len/seq_lens[seq_ct])
}
}
)
} else {
tot_len <- length(l[[1]])
}
setattr(l, "row.names", .set_row_names(tot_len))
setattr(l, "class", c("data.table", "data.frame"))
if (is.null(names <- names(arg_list))) {
names <- vector("character", seq_ct)
}
if (any(tt <- names == "")) {
names[tt] <- paste0("V", which(tt))
}
setattr(l, "names", names)
data.table:::settruelength(l, 0L)
l <- alloc.col(l)
setattr(l, "sorted", names(l))
return(l)
}
a <- factor(sample(1:1000, 1000))
b <- sample(letters, 26)
c <- runif(100)
print(microbenchmark( dt1 <- CJ(a, b, c), dt2 <- fastCJ(a, b, c)))
cat("Output identical:", identical(dt1, dt2))
答案 0 :(得分:1)
为了完整起见,请从NEWS添加答案:
CJ()在1e6行(例如)#4849上快90%。输入现在首先在组合之前进行排序,而不是在组合之后进行排序,并使用rep.int而不是rep(感谢Sean Garborg的想法,代码和基准),并且仅在is.unsorted(),#2321时进行排序。
提醒:CJ =交叉加入;即加入其输入的所有组合。