我有一个大型数据文件(1100 万次观察),并且有 ID、年、月、时间段(以及变量,如我感兴趣的速度)列。我想对其中的每一个执行计算,并在新的 CSV 中汇总结果,以便我为每个唯一 ID/年/月/小时的结果和行格式化。
我能够通过一系列嵌套循环来实现这一点,当文件较小(几千次观察)时,这些循环工作正常。 我一直在尝试找到一种更好的应用函数方法,但无法获得相同的结构。 我正在使用 groupby 在循环之前创建一些新列,它运行速度很快,但没有给我摘要输出 csv。
results = NULL
data.calc = NULL
tmp = NULL
PERIOD = 5:9
YEAR = 2014:2017
LINK = 1:5
MONTH = 1:12
for(link in LINK,
for (year in YEAR){
for (month in MONTH){
for (period in PERIOD){
data.calc = filter(data,
LinkID_Int == link,
Year==year,
MONTH==month,
Period==period
)
#Speed
spd.5 = quantile(data.calc$speed, 0.05)
spd.20 = quantile(data.calc$speed, 0.20)
spd.50 = quantile(data.calc$speed, 0.50)
spd.85 = quantile(data.calc$speed, 0.85)
spd.SD = sd(data.calc$speed)
tmp = tibble(link,
year,
month,
period,
spd.5, spd.20, spd.50, spd.85,
spd.SD,
)
results = rbind(results, tmp)
}
}
}
}
write.csv(results, file="C:/Users/...", row.names = FALSE)
此代码有效,但运行数小时,结果很少。我喜欢 for 循环的逻辑,这意味着我很容易阅读和理解正在发生的事情,但我看到很多帖子说有更快的方法来解决这个问题。 我在循环中运行了大约 30 个实际计算,涉及几个不同的变量。
我非常感谢对此的任何指导。
我认为你的很多减速是因为你反复filter
你的数据(11M 行很耗时)。由于您已经在使用dplyr
(用于::filter
),我建议采用"整洁"的方式来执行此操作。由于我们没有您的数据,我将演示mtcars
:
library(dplyr)
mtcars %>%
group_by(gear, vs, am) %>%
summarize_at(vars(disp), .funs = list(~n(), ~mean(.), ~sd(.), q50 = ~quantile(.,0.5)))
# # A tibble: 7 x 7
# # Groups: gear, vs [6]
# gear vs am n mean sd q50
# <dbl> <dbl> <dbl> <int> <dbl> <dbl> <dbl>
# 1 3 0 0 12 358. 71.8 355
# 2 3 1 0 3 201. 72.0 225
# 3 4 0 1 2 160 0 160
# 4 4 1 0 4 156. 14.0 157.
# 5 4 1 1 6 88.9 20.4 78.8
# 6 5 0 1 4 229. 114. 223
# 7 5 1 1 1 95.1 NaN 95.1
您可以看到某些列是如何自动为函数命名的,而我覆盖了一个列。这是可以导出(例如,到 CSV)的"另一个帧"。
如果您有多个变量想要汇总统计信息,只需将它们包含在对vars
的调用中,列名就会适当地分解:
mtcars %>%
group_by(gear, vs, am) %>%
summarize_at(vars(mpg, disp), .funs = list(~n(), ~mean(.), ~sd(.), q50 = ~quantile(.,0.5)))
# # A tibble: 7 x 11
# # Groups: gear, vs [6]
# gear vs am mpg_n disp_n mpg_mean disp_mean mpg_sd disp_sd mpg_q50 disp_q50
# <dbl> <dbl> <dbl> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
# 1 3 0 0 12 12 15.0 358. 2.77 71.8 15.2 355
# 2 3 1 0 3 3 20.3 201. 1.93 72.0 21.4 225
# 3 4 0 1 2 2 21 160 0 0 21 160
# 4 4 1 0 4 4 21.0 156. 3.07 14.0 21 157.
# 5 4 1 1 6 6 28.0 88.9 5.12 20.4 28.8 78.8
# 6 5 0 1 4 4 19.1 229. 5.02 114. 17.8 223
# 7 5 1 1 1 1 30.4 95.1 NaN NaN 30.4 95.1
还有一个"顺便说一句":使用rbind(results, tmp)
迭代构建结果对于几次迭代来说效果很好,但它变得非常慢。因为:每次rbind
时,它都会完整复制两者中的所有数据。如果在调用rbind
之前results
是 1M 行,则在行绑定进行时,一次内存中(至少)有 2M 行(1M 行,两个副本)。虽然这样做一两次通常不是问题,但您可以看到这样做数百或数千次(取决于您拥有的因素数量)可能会有问题。
更好的做法包括:
使用如下内容预先分配输出
list
:out <- vector("list", prod(length(LINK), length(YEAR), length(MONTH), length(PERIOD)) ind <- 0L for (...) { for (...) { for (...) { for (...) { tmp <- (do-stuff-here) ind <- ind + 1L out[[ind]] <- tmp } } } } out <- do.call(rbind, out)
在
lapply
内完成并将输出分配给out
,尽管将四个嵌套for
炮制成一个lapply
有点困难
我仍然认为,尝试执行嵌套for
并在每次传递时过滤数据是一个糟糕的起点。即使您可以使用迭代rbind
消除每次复制数据的低效率,您仍然会有不必要的过滤开销。
但是,如果必须,请考虑按for
过滤:
out <- vector("list", prod(...)) # as above
ind <- 0L
for (lk in LINK) {
dat_l <- mydat[LinkID_Int == lk,,drop=FALSE]
for (yr in YEAR) {
dat_y <- dat_l[Year == yr,,drop=FALSE]
for (mh in MONTH) {
dat_m <- dat_y[Month == mh,,drop=FALSE]
for (pd in PERIOD) {
data.calc <- dat_m[Period == pd,,drop=FALSE]
tmp <- {do-stuff-here}
ind <- ind + 1L
out[[ ind ]] <- tmp
}
}
}
}
在这种情况下,至少每个内部循环过滤的数据要少得多。这仍然效率低下,但效率略低。
(我仍然认为上面的dplyr
解决方案更具可读性,可能更快,更易于维护且更具可扩展性。
始终避免在循环中运行rbind
,因为这会导致内存中过多的复制。参见帕特里克·伯恩斯(Patrick Burns)的圈子2,"生长的对象",R Inferno。
由于您需要内联分组聚合,请考虑基本 R 的ave
,它返回与输入向量相同的长度,因此可以分配给新列。
results <- transform(data,
spd.5 = ave(speed, LinkID_Int, Year, MONTH, Period, FUN=function(x) quantile(x, 0.05)),
spd.20 = ave(speed, LinkID_Int, Year, MONTH, Period, FUN=function(x) quantile(x, 0.2)),
spd.50 = ave(speed, LinkID_Int, Year, MONTH, Period, FUN=function(x) quantile(x, 0.5)),
spd.85 = ave(speed, LinkID_Int, Year, MONTH, Period, FUN=function(x) quantile(x, 0.85)),
spd.SD = ave(speed, LinkID_Int, Year, MONTH, Period, FUN=sd)
)
对于数据的完整分组聚合,请考虑基本 R 的aggregate
:
agg_raw <- aggregate(speed ~ Year + MONTH + Period,
function(x) c(spd.5 = unname(quantile(x, 0.05)),
spd.20 = unname(quantile(x, 0.2)),
spd.50 = unname(quantile(x, 0.5)),
spd.85 = unname(quantile(x, 0.85)),
spd.SD = sd(x))
)
results <- do.call(data.frame, agg_raw)
colnames(results) <- gsub("speed.", "", colnames(results))