大数据帧的高效组合和操作

Question

我在 R 中有 2 个相对较大的数据框。我正在尝试尽可能高效地合并/查找所有组合。结果 df 非常大（长度为dim(myDF1)[1]*dim(myDF2)[1]），因此我尝试使用ff 实现解决方案。我也愿意使用其他解决方案，例如 bigmemory 包来解决这些内存问题。我对这些软件包中的任何一个几乎都没有经验。

工作示例 - 假设我正在使用一些类似于 USArrests 的数据框：

library('ff')
library('ffbase')


myNames <- USArrests

myNames$States <- rownames(myNames)
rownames(myNames) <- NULL

现在，我将制作 2 个数据框，它们代表来自 myNames 的一些特定集合观察结果。稍后我将尝试通过它们的行名来引用它们。

myDF1 <- as.ffdf(as.data.frame(matrix(as.integer(rownames(myNames))[floor(runif(3*1e5, 1, 50))], ncol = 3)))
myDF2 <- as.ffdf(as.data.frame(matrix(as.integer(rownames(myNames))[floor(runif(2*1e5, 1, 50))], ncol = 2)))


# unique combos:
myDF1 <- unique(myDF1)
myDF2 <- unique(myDF2)

例如，我在 myDF1 中的第一组状态是 myNames[unlist(myDF1[1, ]), ]。然后我会使用 ikey 找到 myDF1 和 myDF2 的所有组合：

# create keys:
myDF1$key <- ikey(myDF1)
myDF2$key <- ikey(myDF2)

startTime <- Sys.time()


# Create some huge vectors:
myVector1 <- ffrep.int(myDF1$key, dim(myDF2)[1])
myVector2 <- ffrep.int(myDF2$key, dim(myDF1)[1])


# This takes about 25 seconds on my machine:
print(Sys.time() - startTime)


# Sort one DF (to later combine with the other):
myVector2  <- ffsorted(myVector2)

# Sorting takes an additional 2.5 minutes:
print(Sys.time() - startTime)

1) 有没有更快的排序方法？

# finally, find all combinations:
myDF <- as.ffdf(myVector1, myVector2)

# Very fast:
print(Sys.time() - startTime)

2) 这种类型的组合是否有替代方案（不使用 RAM）？

最后，我希望能够按行/列引用任何原始数据。具体来说，我想获得不同类型的 rowSums。例如：

# Here are the row numbers (from myNames) for the top 6 sets of States:
this <- cbind(myDF1[myDF[1:6,1], -4], myDF2[myDF[1:6,2], -3])
this

# Then, the original data for the first set of States is:
myNames[unlist(this[1,]),]

# Suppose I want to get the sum of the Urban Population for every row, such as the first:
sum(myNames[unlist(this[1,]),]$UrbanPop)

3) 最后，我想要一个具有上述 rowSum 的向量，这样我就可以在 myDF 上执行某种类型的子集。有关如何最有效地完成此任务的任何建议？

谢谢！

Answer 1

我很不清楚你打算用 rowSum 和你的 3) 元素做什么，但是如果你想要一个高效且对 RAM 友好的 2 ff 向量组合，要获得所有组合，你可以使用 expand.ffgrid from ffbase。 以下将在几秒钟内生成尺寸为 160Mio 行 x 2 列的 ffdf。

require(ffbase)
x <- expand.ffgrid(myDF1$key, myDF2$key)