如何改进这个算法？

Question

Windows 7 上的 R 版本 2.11.1 32 位

我得到如下数据 train.txt：

USER_A USER_B ACTION
1        7      0
1        8      1
2        6      2
2        7      1
3        8      2

我按照以下算法处理数据：

train_data=read.table("train.txt",header=T)
result=matrix(0,length(unique(train_data$USER_B)),2)
result[,1]=unique(train_data$USER_B)
for(i in 1:dim(result)[1])
{
    temp=train_data[train_data$USER_B%in%result[i,1],]
    result[i,2]=sum(temp[,3])/dim(temp)[1]
}

结果是train_data中每个USER_B的分数。分数定义为：

USER_B的得分=（USER_B的所有ACTION之和）/（USER_B的推荐次数）

但是train_data非常大，我可能需要三天才能完成这个程序，所以我来这里寻求帮助，这个算法可以改进吗？

Answer 1

运行您的示例，您想要的结果是计算每个唯一 USER_B 的平均 ACTION：

     [,1] [,2]
[1,]    7  0.5
[2,]    8  1.0
[3,]    6  2.0

您可以使用plyr 包中的ddply() 函数通过一行代码完成此操作

library(plyr)
ddply(train_data[, -1], .(USER_B), numcolwise(mean))

  USER_B ACTION
1      6    2.0
2      7    0.5
3      8    1.0

或者，基础 R 中的函数 tapply 也是如此：

tapply(train_data$ACTION, train_data$USER_B, mean)

根据表的大小，您可以将执行时间缩短 20 倍或更高。这是具有一百万个条目的 data.frame 的 system.time 测试。你的算法需要 116 秒，ddply() 需要 5.4 秒，tapply 需要 1.2 秒：

train_data <- data.frame(
        USER_A = 1:1e6,
        USER_B = sample(1:1e3, size=1e6, replace=TRUE),
        ACTION = sample (1:100, size=1e6, replace=TRUE))

yourfunction <- function(){
    result <- matrix(0,length(unique(train_data$USER_B)),2)
    result[,1] <- unique(train_data$USER_B);
    for(i in 1:dim(result)[1]){     
        temp=train_data[train_data$USER_B%in%result[i,1],]
        result[i,2]=sum(temp[,3])/dim(temp)[1]
    }
    result
}

system.time(XX <- yourfunction())
   user  system elapsed 
 116.29   14.04  134.33 

system.time(YY <- ddply(train_data[, -1], .(USER_B), numcolwise(mean)))
   user  system elapsed 
   5.43    1.60    7.19 

system.time(ZZ <- tapply(train_data$ACTION, train_data$USER_B, mean))
   user  system elapsed 
   1.17    0.06    1.25 

Answer 2

除了@Andrie 提供的方法之外，split() 然后lapply() 方法更快：

> system.time(ZZ <- tapply(train_data$ACTION, train_data$USER_B, mean))
   user  system elapsed 
  1.025   0.011   1.062 
> system.time(WW <- unlist(lapply(split(train_data$ACTION, 
+                                       f = train_data$USER_B), 
+                          mean)))
   user  system elapsed 
  0.465   0.007   0.483

sapply() 也同样快速解决这个问题：

> system.time(SS <- sapply(split(train_data$ACTION, f = train_data$USER_B), 
+                          mean))
   user  system elapsed 
  0.469   0.001   0.474

Answer 3

@gavin 已经展示了结合使用split 和lapply 时的高性能。

data.table 包的性能进一步显着提升了约 75%

library(data.table)
system.time({
      VV <- as.data.table(train_data)[, list(ACTION=mean(ACTION)), by=USER_B]
    })

user  system elapsed 
0.15    0.02    0.17 

system.time(WW <- unlist(lapply(split(train_data$ACTION, f = train_data$USER_B),mean)))

user  system elapsed 
0.61    0.02    0.63 

all(WW==VV$ACTION)
[1] TRUE

data.table 包可在CRAN 获得，并在r-forge 上有网站

Answer 4

你可以试试tapply:

train_data <- read.table("train.txt",header=T);
result <- tapply(train_data$ACTION,train_data$USER_B,function(x) sum(x)/length(x)); 

您可以使用mean 而不是function..，但我最近读到最后一个解决方案更快（如果您没有任何NAs 等）。

我没有测试过，但我相信这应该会更快。如果您想要更快的解决方案，请查看 Rcpp 和 inline 软件包...