r语言 - 如何通过替换 "for-loop" 和 "if-else" 子句来提高大型数据集的性能

Question

亲爱的堆栈溢出社区，

我安静地坐在一个特定的数据集上，这是相当巨大的（nrow=大约5亿）。经过一长串的数据操作，基本上数据集包括以下重要列："ParticleId"，"flag"，"Volume"和"reduction"。

• 粒子Id是唯一的，它表达了一个穿越时间和空间的移动粒子。
• 该标志指示粒子是否在特定区域内（是/否）
• 每个粒子 ID 都有一个先前的体积（注入时），如果粒子在这个特定区域内或之外，则与时间有关
• 如果颗粒在特定区域内，则必须将先前的体积减少相应的还原值

我写了一个带有 2 个 if-else 子句的 for 循环来减少每行的音量。该循环经过测试并完美地用于测试目的，最多 20k 行的子集。不幸的是，当应用于孔数据集（500mio.行）时，性能呈指数级下降。我尝试应用几种矢量化方法，但似乎我错过了一些东西。我非常感谢您对矢量化这个特定问题的帮助和想法。

请在下面找到 for 循环和测试数据集：

dataset <- data.frame(1:20)
dataset$ParticleId        <- c(1,1,1,1,2,2,2,2,2,3,3,4,4,4,4,4,4,4,4,4)
dataset$flag      <- c(T,T,T,F,T,T,F,F,T,T,T,T,T,T,F,F,F,F,T,T)
dataset$Volume    <- 0.01
dataset$reduction <- c(1.21e-03,1.21e-04,1.21e-03,1.21e-06,1.21e-03,1.21e-03,1.21e-04,1.21e-03,1.21e-06,1.21e-03,1.21e-03,1.21e-04,1.21e-03,1.21e-06,1.21e-03,1.21e-03,1.21e-04,1.21e-03,1.21e-06,1.21e-03)
for(i in 2:nrow(dataset)){
  if(dataset[i,]$flag == TRUE & dataset[i,]$ParticleId == dataset[i-1,]$ParticleId){
    dataset[i,]$Volume <- dataset[i-1,]$Volume - dataset[i-1,]$reduction
  }else{
    if(dataset[i,]$flag == FALSE & dataset[i,]$ParticleId == dataset[i-1,]$ParticleId){
      dataset[i,]$Volume <- dataset[i-1,]$Volume
    }else{
      dataset[i,]$Volume <- dataset[i,]$Volume
    }
   }
 }

如果需要，我可以提供原始数据的更大子集。测试数据集的创建只是提供了一个数据的外观......

Answer 1

这会产生您想要的输出，并且应该比使用 for -循环和 if .. else .. 语句的初始方法快得多：

library(dplyr)
dataset %>% 
  group_by(ParticleId) %>% 
  mutate(Volume = Volume[1L] - cumsum(lag(reduction, default = 0L)*flag))
#Source: local data frame [20 x 5]
#Groups: ParticleId
#
#   X1.20 ParticleId  flag     Volume reduction
#1      1          1  TRUE 0.01000000  1.21e-03
#2      2          1  TRUE 0.00879000  1.21e-04
#3      3          1  TRUE 0.00866900  1.21e-03
#4      4          1 FALSE 0.00866900  1.21e-06
#5      5          2  TRUE 0.01000000  1.21e-03
#6      6          2  TRUE 0.00879000  1.21e-03
#7      7          2 FALSE 0.00879000  1.21e-04
#8      8          2 FALSE 0.00879000  1.21e-03
#9      9          2  TRUE 0.00758000  1.21e-06
#10    10          3  TRUE 0.01000000  1.21e-03
#11    11          3  TRUE 0.00879000  1.21e-03
#12    12          4  TRUE 0.01000000  1.21e-04
#13    13          4  TRUE 0.00987900  1.21e-03
#14    14          4  TRUE 0.00866900  1.21e-06
#15    15          4 FALSE 0.00866900  1.21e-03
#16    16          4 FALSE 0.00866900  1.21e-03
#17    17          4 FALSE 0.00866900  1.21e-04
#18    18          4 FALSE 0.00866900  1.21e-03
#19    19          4  TRUE 0.00745900  1.21e-06
#20    20          4  TRUE 0.00745779  1.21e-03

这是做什么的：

• 取数据"数据集"
• 按粒子 ID 对数据进行分组（然后对每个组执行以下操作）
• mutate用于修改/向数据添加列。在这种情况下，我们修改现有的列"卷"。我们取每个组中的第一个元素 （Volume[1L] ），并从该值中减去 reduction*flag 的累积和。因为我们reduction乘以 flag ，这是一个逻辑列，所以每当flag TRUE时，归约乘以 1，每当flag FALSE时，它乘以 0。这意味着，如果flag FALSE，我们从音量列中减去 0（无）（即它保持原样）。此外，我们使用lag(Volume, default = 0)，因为我们希望在每一行中减去前一行（滞后）中存在的reduction值。default = 0确保，如果组中没有前一行，即我们在组的第一行进行操作，则假定前一个缩减值为 0 - 因此，我们不会从第一行 Volume 值中减去任何内容。
• 如果您想知道为什么我在数字后使用 L（如 default = 0L ）：它用于表示使用较少内存的 integer -值，因此可以帮助加快代码速度，因为您正在处理相当多的数据。

---

我尝试在data.table中使用相同的代码（甚至可能更快一点）：

library(data.table)
setkey(setDT(dataset), ParticleId)[,
      Volume:=Volume[1L]-cumsum(c(0L, head(reduction, -1L))*flag), ParticleId]

我认为在最新版本的 data.table （1.9.5） 中，您可以使用shift来创建滞后缩减。

该方法与此处的dplyr解决方案基本相同。但在开始之前，我们使用 setDT() 将 data.frame 转换为 data.table 对象并使用 setkey() 设置键。其余的非常相似，除了 data.table 通过引用更新数据（使用 := 时），而不是lag(..., default = 0)我们使用 c(0, head(reduction, -1)) 。