我想用大型数据集计算几个组组合中Na的平均值和计数。使用一些测试数据解释可能最容易。我在MacBook Pro和Data.Table软件包上使用了最新版本的R(数据很大,> 1m行(。(注意:发布此信息后,我注意到我不小心使用了sum((而不是均值((,用于" m ="下面的变量。我没有编辑它,因为我不想重新运行所有内容,然后不要进行。认为这很重要(
set.seed(4)
YR = data.table(yr=1962:2015)
ID = data.table(id=10001:11000)
ID2 = data.table(id2 = 20001:20050)
DT <- YR[,as.list(ID), by = yr] # intentional cartesian join
DT <- DT[,as.list(ID2), by = .(yr, id)] # intentional cartesian join
rm("YR","ID","ID2")
# 2.7M obs, now add data
DT[,`:=` (ratio = rep(sample(10),each=27000)+rnorm(nrow(DT)))]
DT <- DT[round(ratio %% 5) == 0, ratio:=NA] # make some of the ratios NA
DT[,`:=` (keep = as.integer(rnorm(nrow(DT)) > 0.7)) ] # add in the indicator variable
# do it again
DT[,`:=` (ratio2 = rep(sample(10),each=27000)+rnorm(nrow(DT)))]
DT <- DT[round(ratio2 %% 4) == 0, ratio2:=NA] # make some of the ratios NA
DT[,`:=` (keep2 = as.integer(rnorm(nrow(DT)) > 0.7)) ] # add in the indicator variable
所以,我所拥有的是识别信息(yr,id,id2(和我要汇总的数据:keep1 | 2,比率1 | 2。特别是YR-ID,我想使用Keep and Keep2(因此压缩ID2(来计算平均比率和比率2。我想到通过keep/keep2进行子集的计算比率和比率2或通过矩阵的矩阵乘法来进行此操作。
首先,我正在这样做的方式得到正确的答案,但是很慢:
system.time(test1 <- DT[,.SD[keep == 1,.(m = sum(ratio,na.rm = TRUE),
nmiss = sum(is.na(ratio)) )
],by=.(yr,id)])
user system elapsed
23.083 0.191 23.319
这在大约同一时间也同样有效。我认为首先将主要数据(而不是在.sd内部(划分可能更快:
system.time(test2 <- DT[keep == 1,.SD[,.(m = sum(ratio,na.rm = TRUE),
nmiss = sum(is.na(ratio)) )
],by=.(yr,id)])
user system elapsed
23.723 0.208 23.963
这两种方法中的任何一种问题是我需要为每个keep
变量进行单独的计算。因此,我尝试了这种方式:
system.time(test3 <- DT[,.SD[,.( m = sum(ratio*keep,na.rm = TRUE),
nmiss = sum(is.na(ratio*keep)) )
],by=.(yr,id)])
user system elapsed
25.997 0.191 26.217
这使我能够将所有公式放在一起(我可以添加ratio*keep2
,ratio2*keep
和ratio2*keep2
(,但是1.它较慢,2。它没有得到正确的NAS(请参阅nmiss
列(:
> summary(test1)
yr id m nmiss
Min. :1962 Min. :10001 Min. : -2.154 Min. :0.000
1st Qu.:1975 1st Qu.:10251 1st Qu.: 30.925 1st Qu.:0.000
Median :1988 Median :10500 Median : 53.828 Median :1.000
Mean :1988 Mean :10500 Mean : 59.653 Mean :1.207
3rd Qu.:2002 3rd Qu.:10750 3rd Qu.: 85.550 3rd Qu.:2.000
Max. :2015 Max. :11000 Max. :211.552 Max. :9.000
> summary(test2)
yr id m nmiss
Min. :1962 Min. :10001 Min. : -2.154 Min. :0.000
1st Qu.:1975 1st Qu.:10251 1st Qu.: 30.925 1st Qu.:0.000
Median :1988 Median :10500 Median : 53.828 Median :1.000
Mean :1988 Mean :10500 Mean : 59.653 Mean :1.207
3rd Qu.:2002 3rd Qu.:10750 3rd Qu.: 85.550 3rd Qu.:2.000
Max. :2015 Max. :11000 Max. :211.552 Max. :9.000
> summary(test3)
yr id m nmiss
Min. :1962 Min. :10001 Min. : -2.154 Min. : 0.00
1st Qu.:1975 1st Qu.:10251 1st Qu.: 30.925 1st Qu.: 2.00
Median :1988 Median :10500 Median : 53.828 Median : 4.00
Mean :1988 Mean :10500 Mean : 59.653 Mean : 4.99
3rd Qu.:2002 3rd Qu.:10750 3rd Qu.: 85.550 3rd Qu.: 8.00
Max. :2015 Max. :11000 Max. :211.552 Max. :20.00
YR-ID获得我的4种汇总信息组合的最快方法是什么?现在,我正在使用选项1或2重复两次(一次用于保留,再次用于keep2(
您可以直接在j
中的表达式中进行摘要:
# solution A: summarize in `.SD`:
system.time({
test2 <- DT[keep == 1,
.SD[, .(m = sum(ratio, na.rm = TRUE),
nmiss = sum(is.na(ratio)))],
by = .(yr, id), verbose = T]
})
# user system elapsed
# 22.359 0.439 22.561
# solution B: summarize directly in j:
system.time({
test2 <- DT[keep == 1, .(m = sum(ratio, na.rm = T),
nmiss = sum(is.na(ratio))),
by = .(yr, id), verbose = T]
})
# user system elapsed
# 0.118 0.077 0.195
添加 verbose = T
以显示两种方法之间的差异:
用于解决方案A:
lapply优化已打开,j不变为'.sd [,list(m = sum(比率,比率,na.rm = true(,nmiss = sum(is.na(比((]'gforce开启,左j不变
旧的平均优化已经开始,左J不变。
使每个组并运行J(gforce false(...J的结果是
命名列表。创建相同名称和每组再次结束。
当j = list(...(时,检测到任何名称,分组完成后,删除并放回效率,以提高效率。例如,使用j = transform((阻止了该加速(请考虑更改为:=(。此消息可能会在以后升级到警告。
收集不连续的组为54000组的0.058
评估(j(花了22.487,用于54000个电话22.521秒
用于解决方案B:
...
从位置查找小组大小(可以避免以保存RAM(... 0 sec lapply优化已开始,j不变为'列表(总和(比率,na.rm = t(,sum(is.na(比率((('
gforce已打开,左J不变
旧的均值优化已经开始,左J不变。使每个小组和运行j(gforce false(...收集不连续的组54000组评估(J(的0.027次数为0.079,用于54000个电话0.168秒
主要区别在于,B中的摘要被视为命名列表,当有很多组时(该数据54K组!(非常慢。对于此类型的类似基准,请参阅此。
第二部分(您的test3(:我们没有先通过keep = 1
过滤列。因此,在nmiss
中也计数keep !=
的NA
s。因此,NA
s的计数不同。