使用大型数据表提高查找性能

Question

我正在寻找用于提高查找大型（超过一百万行）参考数据表的性能的选项。查找根据表的每一行中的范围匹配一个键。多个匹配是可能的，我可以获取所有匹配的列表或最紧密的匹配（范围最小的匹配）。

下面的代码中显示了一个小玩具示例。

# Create small example dataset with overlapping ranges
#
ip_from <- c(1,2,4,6,7, 7, 8,11)
ip_to <- c(5,3,5,6,9,15,10,15)
vl <- c("A","B","C","D","E","F","G","H")
dt1 <- data.table(ip_from,ip_to,vl,stringsAsFactors=FALSE)
str(dt1)
head(dt1,n=10)
#
# Perform some lookups manually
# A hit is when ip_from<= x <=ip_to
# There can be multiple hits
#
x <- 8
dt2 <- dt1[x>=ip_from & x<=ip_to] #Can produce multiple hits
head(dt2)
y <- dt2[,min(ip_to-ip_from)]     #Get smallest difference
dt3 <- dt2[(ip_to-ip_from)==y]    #Get hits matching smallest
head(dt3)
dt4 <- dt3[1]                     #Take first hit if multiples
head(dt4)
#
# Create a function to do the match
# It crudely caters for misses.
#
lkp <- function(dtbl,ky){
  dtx <- dtbl[ky>=ip_from & ky<=ip_to]
  if (nrow(dtx)!=0) {
    y <- dtx[,min(ip_to-ip_from)]
    dty <- dtx[(ip_to-ip_from)==y]
    dtz <- dty[1]
    return(dtz)
  }
  else {
    return(NA)
  }
}
#
# Make a set of keys
#
z <- as.data.frame(c(8,6))
colnames(z) <- "Obs"
#
# Do lookups, this gets slow.
#
zz <- rbindlist(apply(z,1,function(x) lkp(dt1,x[1])))
zzz <- cbind(z,zz)
head(zzz)

随着要查找的键数量的增加，性能下降，并且我可能会遇到成千上万个键的情况。请注意，在更实际的情况下，高值和低值是数据表中的键。

还有其他可以显着提高性能的方法吗？

Answer 1

我会这样做：

setDT(z)

dt1[, range := ip_to - ip_from] #calculate all ranges

setorder(dt1, range) #order by ranges

#do a data.table non-equi join taking only the first match
dt1[z, .(Obs = Obs, vl = x.vl, ip_from = x.ip_from, ip_to = x.ip_to),
    on = c("ip_from <= Obs", "ip_to >= Obs"), mult = "first"]
#   Obs vl ip_from ip_to
#1:   8  E       7     9
#2:   6  D       6     6

比较：

print(zzz)
#  Obs ip_from ip_to vl
#1   8       7     9  E
#2   6       6     6  D