Question

我正在尝试将函数应用于两个数据集df1和df2，其中df1包含(a, b)，可以是100万行，{{1} }包含df2并且可以非常大，从大约100到大约10,000。我想在两个数据集的每个组合上应用函数(x, y, z)，然后对第二个数据集求和。

foo

我用来应用此功能的代码（摘自@jlhoward How to avoid multiple loops with multiple variables in R）

foo <- function(a, b, x, y, z) a + b + x + y + z
df1 <- data.frame(a = 1:10, b = 11:20)
df2 <- data.frame(x= 1:5, y = 21:25, z = 31:35)

但是，当foo.new <- function(p1, p2) { p1 = as.list(p1); p2 = as.list(p2) foo(p1$a, p1$b, p2$x, p2$y, p2$z) } indx <- expand.grid(indx2 = seq(nrow(df2)), indx1 = seq(nrow(df1))) result <- with(indx, foo.new(df1[indx1, ], df2[indx2, ])) sums <- aggregate(result, by = list(rep(seq(nrow(df1)), each = nrow(df2))), sum)变大（> 1000）时，我会快速耗尽内存以执行上面的df2功能（运行带有32GB RAM的64位PC）。

我已经阅读了很多result，但无法评估其中是否有一个有助于节省内存的功能。将取代data.table并在with步骤创建较小文件或在result步骤创建expand.grid的文件，这将创建迄今为止最大的文件。

Answer 1

这是一个data.table解决方案：应该非常快：

library(data.table)
indx<-CJ(indx1=seq(nrow(df2)),indx2=seq(nrow(df1))) #CJ is data.table function for expand.grid
 indx[,`:=`(result=foo.new(df1[indx1, ], df2[indx2, ]),Group.1=rep(seq(nrow(df1)), each = nrow(df2)))][,.(sums=sum(result)),by=Group.1]

    Group.1 sums
 1:       1  355
 2:       2  365
 3:       3  375
 4:       4  385
 5:       5  395
 6:       6  405
 7:       7  415
 8:       8  425
 9:       9  435
10:      10  445

展开两个大数据文件并使用data.table应用？

1 个答案: