根据列中的公共值将大型数据帧拆分为数据帧列表

时间:2013-08-30 07:14:29

标签: r performance matrix split dataframe

我有一个包含10列的数据框,收集“用户”的操作,其中一列包含ID(不唯一,标识用户)(第10列)。数据帧的长度约为750000行。我试图通过包含“用户”标识符的列来提取单个数据帧(以获取数据帧的列表或向量),以隔离单个actor的操作。

ID | Data1 | Data2 | ... | UserID
1  | aaa   | bbb   | ... | u_001
2  | aab   | bb2   | ... | u_001
3  | aac   | bb3   | ... | u_001
4  | aad   | bb4   | ... | u_002

导致

list(
ID | Data1 | Data2 | ... | UserID
1  | aaa   | bbb   | ... | u_001
2  | aab   | bb2   | ... | u_001
3  | aac   | bb3   | ... | u_001
,
4  | aad   | bb4   | ... | u_002
...)

以下对小样本(1000行)非常有效:

paths = by(smallsampleMat, smallsampleMat[,"userID"], function(x) x)

然后通过路径[1]访问我想要的元素。

当应用原始大数据帧甚至矩阵表示时,这会扼杀我的机器(4GB RAM,MacOSX 10.6,R 2.15)并且永远不会完成(我知道存在更新的R版本,但我相信这不是主要问题)。

似乎拆分更具性能并经过很长时间的完成,但我不知道(劣等的R知识)如何将得到的矢量列表分成矩阵向量。

path = split(smallsampleMat, smallsampleMat[,10]) 

我也考虑过使用big.matrix等,但没有太大的成功,可以加快这个过程。

3 个答案:

答案 0 :(得分:83)

您可以使用例如,轻松访问列表中的每个元素。 path[[1]]。您不能将一组矩阵放入原子向量中并访问每个元素。矩阵是具有维度属性的原子向量。我会使用split返回的列表结构,它就是它的设计目标。每个列表元素都可以保存不同类型和大小的数据,因此它非常通用,您可以使用*apply函数对列表中的每个元素进行进一步操作。示例如下。

#  For reproducibile data
set.seed(1)

#  Make some data
userid <- rep(1:2,times=4)
data1 <- replicate(8 , paste( sample(letters , 3 ) , collapse = "" ) )
data2 <- sample(10,8)
df <- data.frame( userid , data1 , data2 )

#  Split on userid
out <- split( df , f = df$userid )
#$`1`
#  userid data1 data2
#1      1   gjn     3
#3      1   yqp     1
#5      1   rjs     6
#7      1   jtw     5

#$`2`
#  userid data1 data2
#2      2   xfv     4
#4      2   bfe    10
#6      2   mrx     2
#8      2   fqd     9

使用[[运算符访问每个元素,如下所示:

out[[1]]
#  userid data1 data2
#1      1   gjn     3
#3      1   yqp     1
#5      1   rjs     6
#7      1   jtw     5

或使用*apply函数对每个列表元素执行进一步操作。例如,要获取data2列的平均值,您可以像这样使用sapply:

sapply( out , function(x) mean( x$data2 ) )
#   1    2 
#3.75 6.25 

答案 1 :(得分:8)

偶然发现了这个答案,我实际上想要两个组(包含该用户的数据和包含除一个用户之外的所有内容的数据)。对于这篇文章的细节没有必要,但我想如果有人和我一起搜索同样的问题,我会补充一下。

df <- data.frame(
     ran_data1=rnorm(125),
     ran_data2=rnorm(125),
     g=rep(factor(LETTERS[1:5]), 25)
 )

test_x = split(df,df$g)[['A']]
test_y = split(df,df$g!='A')[['TRUE']]

这是它的样子:

head(test_x)
            x          y g
1   1.1362198  1.2969541 A
6   0.5510307 -0.2512449 A
11  0.0321679  0.2358821 A
16  0.4734277 -1.2889081 A
21 -1.2686151  0.2524744 A

> head(test_y)
            x          y g
2 -2.23477293  1.1514810 B
3 -0.46958938 -1.7434205 C
4  0.07365603  0.1111419 D
5 -1.08758355  0.4727281 E
7  0.28448637 -1.5124336 B
8  1.24117504  0.4928257 C

答案 2 :(得分:6)

From version 0.8.0, dplyr offers a handy function called group_split():

# On sample data from @Aus_10
df %>%
  group_split(g)

[[1]]
# A tibble: 25 x 3
   ran_data1 ran_data2 g    
       <dbl>     <dbl> <fct>
 1     2.04      0.627 A    
 2     0.530    -0.703 A    
 3    -0.475     0.541 A    
 4     1.20     -0.565 A    
 5    -0.380    -0.126 A    
 6     1.25     -1.69  A    
 7    -0.153    -1.02  A    
 8     1.52     -0.520 A    
 9     0.905    -0.976 A    
10     0.517    -0.535 A    
# … with 15 more rows

[[2]]
# A tibble: 25 x 3
   ran_data1 ran_data2 g    
       <dbl>     <dbl> <fct>
 1     1.61      0.858 B    
 2     1.05     -1.25  B    
 3    -0.440    -0.506 B    
 4    -1.17      1.81  B    
 5     1.47     -1.60  B    
 6    -0.682    -0.726 B    
 7    -2.21      0.282 B    
 8    -0.499     0.591 B    
 9     0.711    -1.21  B    
10     0.705     0.960 B    
# … with 15 more rows