【发布时间】：2014-03-28 09:54:15
【问题描述】：
我想在不评估完整交叉连接的情况下交叉连接两个数据表，在此过程中使用范围标准。本质上，我希望 CJ 具有过滤/范围表达式。
有人可以建议一种避免完全交叉连接的高性能方法吗？
请参阅下面的测试示例，使用 evil 完全交叉连接。
library(data.table)
# Test data.
dt1 <- data.table(id1=1:10, D=2*(1:10), key="id1")
dt2 <- data.table(id2=21:23, D1=c(5, 7, 10), D2=c(9, 12, 16), key="id2")
# Desired filtered cross-join data table by hand: D1 <= D & D <= D2.
dtfDesired <- data.table(
id1=c(3, 4, 4, 5, 6, 5, 6, 7, 8)
, id2=c(rep(21, 2), rep(22, 3), rep(23, 4))
, D1=c(rep(5, 2), rep(7, 3), rep(10, 4))
, D=c(6, 8, 8, 10, 12, 10, 12, 14, 16)
, D2=c(rep(9, 2), rep(12, 3), rep(16, 4))
)
setkey(dtfDesired, id1, id2)
# My "inefficient" programmatic attempt with full cross join.
fullCJ <- function(dt1, dt2) {
# Full cross-product: NOT acceptable with real data!
dtCrossAll <- CJ(dt1$id1, dt2$id2)
setnames(dtCrossAll, c("id1", "id2"))
# Merge all columns.
dtf <- merge(dtCrossAll, dt1, by="id1")
dtf <- merge(dtf, dt2, by="id2")
setkey(dtf, id1, id2)
# Reorder columns for convenience.
setcolorder(dtf, c("id1", "id2", "D1", "D", "D2"))
# Finally, filter the cases I want.
dtf[D1 <= D & D <= D2, ]
}
dtf <- fullCJ(dt1, dt2)
# Print results.
print(dt1)
print(dt2)
print(dtfDesired)
all.equal(dtf, dtfDesired)
测试数据输出
> # Print results.
> print(dt1)
id1 D
1: 1 2
2: 2 4
3: 3 6
4: 4 8
5: 5 10
6: 6 12
7: 7 14
8: 8 16
9: 9 18
10: 10 20
> print(dt2)
id2 D1 D2
1: 21 5 9
2: 22 7 12
3: 23 10 16
> print(dtfDesired)
id1 id2 D1 D D2
1: 3 21 5 6 9
2: 4 21 5 8 9
3: 4 22 7 8 12
4: 5 22 7 10 12
5: 5 23 10 10 16
6: 6 22 7 12 12
7: 6 23 10 12 16
8: 7 23 10 14 16
9: 8 23 10 16 16
> all.equal(dtf, dtfDesired)
[1] TRUE
所以现在的挑战是以一种可以扩展到数百万行的方式编写过滤后的交叉联接！
以下是一系列替代实现，包括答案和 cmets 中建议的实现。
# My "inefficient" programmatic attempt looping manually.
manualIter <- function(dt1, dt2) {
id1Match <- NULL; id2Match <- NULL; dtf <- NULL;
for (i1 in seq_len(nrow(dt1))) {
# Find matches in dt2 of this dt1 row.
row1 <- dt1[i1, ]
id1 <- row1$id1
D <- row1$D
dt2Match <- dt2[D1 <= D & D <= D2, ]
nMatches <- nrow(dt2Match)
if (0 < nMatches) {
id1Match <- c(id1Match, rep(id1, nMatches))
id2Match <- c(id2Match, dt2Match$id2)
}
}
# Build the return data.table for the matching ids.
dtf <- data.table(id1=id1Match, id2=id2Match)
dtf <- merge(dtf, dt1, by="id1")
dtf <- merge(dtf, dt2, by="id2")
setkey(dtf, id1, id2)
# Reorder columns for convenience & consistency.
setcolorder(dtf, c("id1", "id2", "D1", "D", "D2"))
return(dtf)
}
dtJoin1 <- function(dt1, dt2) {
dtf <- dt1[, dt2[D1 <= D & D <= D2, list(id2=id2)], by=id1]
dtf <- merge(dtf, dt1, by="id1")
dtf <- merge(dtf, dt2, by="id2")
setkey(dtf, id1, id2)
setcolorder(dtf, c("id1", "id2", "D1", "D", "D2")) # Reorder columns for convenience & consistency.
return(dtf)
}
dtJoin2 <- function(dt1, dt2) {
dtf <- dt2[, dt1[D1 <= D & D <= D2, list(id1=id1, D1=D1, D=D, D2=D2)], by=id2]
setkey(dtf, id1, id2)
setcolorder(dtf, c("id1", "id2", "D1", "D", "D2")) # Reorder columns for convenience & consistency.
return(dtf)
}
# Install Bioconductor IRanges (see bioTreeRange below).
source("http://bioconductor.org/biocLite.R")
biocLite("IRanges")
# Solution using Bioconductor IRanges.
bioTreeRange <- function(dt1, dt2) {
require(IRanges)
ir1 <- IRanges(dt1$D, width=1L)
ir2 <- IRanges(dt2$D1, dt2$D2)
olaps <- findOverlaps(ir1, ir2, type="within")
dtf <- cbind(dt1[queryHits(olaps)], dt2[subjectHits(olaps)])
setkey(dtf, id1, id2)
setcolorder(dtf, c("id1", "id2", "D1", "D", "D2")) # Reorder columns for convenience.
return(dtf)
}
现在下面是一个比我的实际基础场景小 2-3 个数量级的更大数据集的小基准。真正的场景在完全交叉连接的巨大内存分配上失败了。
set.seed(1)
n1 <- 10000
n2 <- 1000
dtbig1 <- data.table(id1=1:n1, D=1:n1, key="id1")
dtbig2 <- data.table(id2=1:n2, D1=sort(sample(1:n1, n2)), key="id2")
dtbig2$D2 <- with(dtbig2, D1 + 100)
library("microbenchmark")
mbenchmarkRes <- microbenchmark(
fullCJRes <- fullCJ(dtbig1, dtbig2)
, manualIterRes <- manualIter(dtbig1, dtbig2)
, dtJoin1Res <- dtJoin1(dtbig1, dtbig2)
, dtJoin2Res <- dtJoin2(dtbig1, dtbig2)
, bioTreeRangeRes <- bioTreeRange(dtbig1, dtbig2)
, times=3, unit="s", control=list(order="inorder", warmup=1)
)
mbenchmarkRes$expr <- c("fullCJ", "manualIter", "dtJoin1", "dtJoin2", "bioTreeRangeRes") # Shorten names for better display.
# Print microbenchmark
print(mbenchmarkRes, order="median")
现在我在我的机器上得到的当前基准测试结果：
> print(mbenchmarkRes, order="median")
Unit: seconds
expr min lq median uq max neval
bioTreeRangeRes 0.05833279 0.05843753 0.05854227 0.06099377 0.06344527 3
dtJoin2 1.20519664 1.21583650 1.22647637 1.23606216 1.24564796 3
fullCJ 4.00370434 4.03572702 4.06774969 4.17001658 4.27228347 3
dtJoin1 8.02416333 8.03504136 8.04591938 8.20015977 8.35440016 3
manualIter 8.69061759 8.69716448 8.70371137 8.76859060 8.83346982 3
结论
- 来自 Arun (bioTreeRangeRes) 的 Bioconductor 树/IRanges 解决方案比替代方案快两个数量级。但是安装似乎更新了其他 CRAN 库（我的错，当安装提出问题时我接受了它）；其中一些在加载时无法再找到 - 例如，
gtools和gplots。 - BrodieG (dtJoin2) 中最快的纯 data.table 选项可能没有我需要的那么高效，但至少在内存消耗方面是合理的（我会让它在我的真实场景中运行一夜之间 ~ 100 万行）。
- 我尝试更改数据表键（使用日期而不是 ID）；没有任何影响。
- 正如预期的那样，在 R (manualIter) 爬虫中显式编写循环。
【问题讨论】：
-
对于此示例（可能还有任何“范围”连接条件），交叉连接会产生冗余数据，从而导致内存问题。您可以使用
dt2为D可能落入的每个间隔制作标签： [5,7] is "21"; [7,9] 是“21,22”；等具有边缘情况的适当条件。之后，只需将这些标签应用于dt1。
标签： r data.table