Question

鉴于data.table有三个字段member_id，provider_id和srvc_dt。我需要计算一对提供者看到的不同成员的数量。据说，如果访问发生在180天内，则会员访问过两家提供商。这用于使用#visits的阈值构建无向图，并查找连接的组件。

我使用Cartesian product with filter data.table中建议的方法。

我需要运行的实例有超过300万条记录，运行时间超过5分钟。有没有一种重写方式或新的data.table函数，以便它运行得更快？

require(data.table)

nmem <- 5000
data.dt <- data.table(member_id=sample(10000:1000000,nmem,replace=TRUE), provider_id=sample(1000:2000,nmem,replace=TRUE),
    srvc_dt=sample(seq(as.Date('2014/01/01'), as.Date('2015/01/01'), by="day"), nmem, replace=TRUE))
setkey(data.dt, member_id)

prov_pair.dt <- data.dt[data.dt, {
        idx = provider_id<i.provider_id & abs(srvc_dt-i.srvc_dt)<180
        list(provider_id1 = provider_id[idx], 
            srvc_dt1 = srvc_dt[idx],
            provider_id2 = i.provider_id[any(idx)],
            srvc_dt2 = i.srvc_dt[any(idx)]
        )
    }, by=.EACHI, allow=TRUE]

prov_pair_agg.dt <- prov_pair.dt[, .(weight=length(unique(member_id))), .(provider_id1,provider_id2)]

Answer 1

简单的左连接，然后过滤：

prov_pair.dt <- data.dt[data.dt,allow.cartesian=T][provider_id<i.provider_id &
  abs(srvc_dt-i.srvc_dt)<180,]

provider_id<i.provider_id可防止重复计算对x，y和y，x的相同访问次数。

此外，现在在计算provider_id中使用i.provider_id和provider_id1代替provider_id2和prov_pair_agg.dt：

prov_pair_agg.dt <- prov_pair.dt[, .(weight=length(unique(member_id))), 
  .(provider_id,i.provider_id)]

在ngm = 1,000,000的16GB内存机器上，按当前方法需要1.487s和106.034s。

Answer 2

首先，过滤掉数据，使其仅包含看过多个提供商的成员：

res = data.dt[, if (.N >= 2) .SD, by = member_id]

然后，添加日期的端点和提供者列的副本：

res[, `:=`(start.date = srvc_dt - 180,
           end.date   = srvc_dt + 180,
           provider2  = provider_id)]

最后，使用development version中提供的新的非等连接：

res[res, on = .(member_id = member_id, provider2 < provider_id,
                srvc_dt < end.date, srvc_dt > start.date)
    , allow = T, nomatch = 0][, .N, by = .(provider1 = provider_id, provider2)]

一个注意事项 - 上面连接中的列名称目前很遗憾有点令人困惑，希望很快就能解决。如果上面的内容太不清楚，您可以添加列的额外副本以查看究竟发生了什么。

通过过滤加速data.table笛卡尔积

2 个答案: