Question

我用来将稀疏数据存储在具有DynamicColumns结构的MariaDB表中。当我将其导入R时，我得到以下db_frame数据框：

db_frame <- dbGetQuery(mydb, "SELECT uid, column_json(groups) FROM matrix")
db_frame
  uid                      column_json(groups)
1   8              {"33755311":1,"58534882":1}
2   9                           {"75338985":1}
3  15               {"5445504":1,"58534882":1}
4  16 {"14897324":1,"22522055":1,"68471405":1}
5  20              {"22522055":1,"48940689":1}

我的目标是将其从上面的压缩行存储转换为以下稀疏格式（！）矩阵：

   14897324 22522055 33755311 48940689 5445504 58534882 68471405 75338985
8         .        .        1        .       .        1        .        .
9         .        .        .        .       .        .        .        1
15        .        .        .        .       1        1        .        .
16        1        1        .        .       .        .        1        .
20        .        1        .        1       .        .        .        .

我已经用两种方式做到了这一点，但在我看来两者效率都很低。在现实生活中，变量（列）的数量约为 2-3K ，观察数量（行）〜 1百万。所以我的两种方法都需要很长时间才能完成工作（天）。

还有其他更优雅的方式进行此转换吗？提前谢谢！

UPD：有两种R格式数据帧的链接：

db_frame - 来自示例5观察的数据框
db_frame_10K - 具有10K速度测试观测值的实际数据框

UPD2：转换数据框与10K observation的SPEED COMPARISON TABLE Core i3 2.93 Ghz

Method1 My            162-188 sec
Method2 My             94-102 sec
Method3 @amatsuo_net    47-57 sec (but not exactly required format)
Method4 @amatsuo_net+My     6 sec

我的两种方法供您参考：

第一步是将db_frame数据框转换为更友好的列表，以便从中提取每个观察的变量名称。

library("rjson")
var_list <- lapply(db_frame[,-1],fromJSON)
var_list_names <- lapply(var_list,names)
var_list_names
[[1]]
[1] "33755311" "58534882"

[[2]]
[1] "75338985"

[[3]]
[1] "5445504"  "58534882"

[[4]]
[1] "14897324" "22522055" "68471405"

[[5]]
[1] "22522055" "48940689"

变量和观察名称列表：

groups <- sort(unique(unlist(var_list_names)))
groups
[1] "14897324" "22522055" "33755311" "48940689" "5445504"  "58534882" "68471405" "75338985"
uids <- db_frame$uid
uids
[1] "8"  "9"  "15" "16" "20"

-------------方法1使用“for i”循环

row_number = length(uids)
col_number = length(groups)

# creating empty sparse matrix M1
M1 <- sparseMatrix(dims = c(row_number,col_number), i={}, j={}, x=1)
rownames(M1) <- uids
colnames(M1) <- groups

# filling M1
for (i in 1:row_number) {
      M1[i,var_list_names[[i]]] <-1
}
M1

--------------方法2使用“reshape2”

library("reshape2")
long <- melt(var_list)
long
   value       L2 L1
1      1 33755311  1
2      1 58534882  1
3      1 75338985  2
4      1  5445504  3
5      1 58534882  3
6      1 14897324  4
7      1 22522055  4
8      1 68471405  4
9      1 22522055  5
10     1 48940689  5

i=long$L1
j=match(long[,"L2"],groups)

M2 <-sparseMatrix(i=i, j=j, x=1)
rownames(M2) <- uids
colnames(M2) <- groups
M2

Answer 1

感谢@amatsuo_net从rbindlist包中指出data.table函数我稍微简化了他的代码并添加了稀疏格式的转换测试10K观察的转换时间令人印象深刻 6秒！

--------------方法4使用＆＃34; rbindlist＆＃34;

library(RMySQL)
library(Matrix)
library(rjson)
library(data.table)
library(magrittr)

df <- dbGetQuery(mydb, "SELECT uid, column_json(groups) FROM matrix")    

# "rbindlist" does all the work    
M3 <- lapply(df[,-1],fromJSON) %>% rbindlist(fill=TRUE)

# replace NA with 0 (required for sparsematrix type)
M3[is.na(M3)] <- 0 
# converting to sparsematrix type
M3 <- as(as.matrix(M3), "sparseMatrix")

# make some order :)
M3 <- M3[, order(as.integer(colnames(M3)))]
row.names(M3) <- df$uid

Answer 2

我认为这样可行，但不确定它有多高效，因为我没有测试数据。

library(data.table)
library(magrittr)
split(df, seq(nrow(df))) %>% 
  lapply(function(x) {
    dt <- data.table(t(unlist(fromJSON(x$column_json))))
    dt[, id := x$uid]
  }) %>% 
  rbindlist(fill = TRUE)

将具有各种向量长度（压缩行存储）的列表转换为R中的sparseMatrix

2 个答案: