对于Revolution R Enterprise用户,有没有办法将函数应用于.xdf的因子级别,比如rxCube()
?我知道变换让你对数据 pre 制表进行操作,但在我看来,你只能获得(count
,sum
,mean
)。
例如,我希望找到具有特定变量最小值的行,以industry * year
为条件。
我能想到的唯一解决方案是rxSplit()
数据,按您想要的变量排序,然后按照您的意愿行事。我确定不能做到这一点的原因是太多的完整性条件/支持的制表函数实际上实际上是在C中优化的,并且使用你自己的函数会更复杂,而且速度非常慢。
基本上有一个内存不足的数据会很棒。
答案 0 :(得分:3)
使用RevoScaleR中的单个功能,您所描述的内容并不容易。您使用rxSplit
描述的是一种方式。这里,将结果与内存中aggregate
的结果进行比较,以表明它们是相同的。
set.seed(1234)
myData <- data.frame(year = factor(sample(2000:2015, size = 100, replace = TRUE)),
x = rnorm(100))
xdfFile <- rxDataStep(inData = myData, outFile = "test.xdf", rowsPerRead = 10)
newDir <- file.path(getwd(), "splits")
dir.create(newDir)
splitFiles <- rxSplit(inData = xdfFile,
outFilesBase = paste0(newDir, "/", gsub(".xdf", "",
basename(xdfFile@file))),
splitByFactor = "year")
minFun <- function(xdf) {
dat <- rxDataStep(inData = xdf, reportProgress = 0)
data.frame(year = dat$year[1], minPos = which.min(dat$x))
}
minPos <- do.call(rbind, lapply(splitFiles, minFun))
row.names(minPos) <- NULL
minPos
aggregate(x ~ year, data = myData, FUN = which.min
以上确实假设每组中的数据可以适合RAM。如果不是这种情况,则需要进行一些调整。
假设单个组可以放入RAM,那就是另一种解决方案,即使用RevoPemaR
包。
library("RevoPemaR")
rxSort(inData = xdfFile, outFile = xdfFile, sortByVars = "year", overwrite = TRUE)
byGroupPemaObj <- PemaByGroup()
minByYear <- pemaCompute(pemaObj = byGroupPemaObj, data = xdfFile,
groupByVar = "year", computeVars = "x",
fnList = list(
minPos = list(FUN = which.min, x = NULL)))
minPos