【发布时间】:2019-08-08 06:46:30
【问题描述】:
我想计算大型面板数据集的一阶差异。然而,目前这需要一个多小时。我真的很想知道是否还有任何选择可以加快这一进程。以数据库为例:
set.seed(1)
DF <- data.table(panelID = sample(50,50), # Creates a panel ID
Country = c(rep("A",30),rep("B",50), rep("C",20)),
Group = c(rep(1,20),rep(2,20),rep(3,20),rep(4,20),rep(5,20)),
Time = rep(seq(as.Date("2010-01-03"), length=20, by="1 month") - 1,5),
norm = round(runif(100)/10,2),
Income = sample(100,100),
Happiness = sample(10,10),
Sex = round(rnorm(10,0.75,0.3),2),
Age = round(rnorm(10,0.75,0.3),2),
Educ = round(rnorm(10,0.75,0.3),2))
DF [, uniqueID := .I]
所以我尝试过的是:
DFx <- DF
start_time <- Sys.time()
DF <- DF[, lapply(.SD, function(x) x - shift(x)), by = panelID, .SDcols = (sapply(DF, is.numeric))]
end_time <- Sys.time()
DF <- DFx
start_time2 <- Sys.time()
cols = sapply(DF, is.numeric)
DF <- DF[, lapply(.SD, function(x) x - shift(x)), by = panelID, .SDcols = cols]
end_time2 <- Sys.time()
DF <- DFx
start_time3 <- Sys.time()
DF <- DF[order(panelID)] # Sort on year
nm1 <- sapply(DF, is.numeric) # Get the numerical columns
nm1 = names(nm1)
nm2 <- paste("delta", nm1, sep="_")[-6] # Paste
DF <- DF[,(nm2) := .SD - shift(.SD), by=panelID] # Creates
end_time3 <- Sys.time()
end_time3 - start_time3
end_time2 - start_time2
end_time - start_time
由于某种原因,第三个选项适用于我的实际数据库,但不适用于本示例。它给出了错误:Error in FUN(left, right) : non-numeric argument to binary operator。对于我的实际数据库,这种计算方式也相当慢(然后我仍然需要子集)。
有什么方法可以加快速度吗?
【问题讨论】:
-
你为什么不使用
diff函数? -
我从之前发布的问题中获得了这些选项。
diff更快吗? -
在设置
options(datatable.verbose = TRUE)时,我认为您的第一个选项没有什么特别的问题。我真的很惊讶这需要这么长时间。您的panelID数量一定很大。 -
如果我增加输入 data.table 的大小,
function(x) c(NA, diff(x))的速度似乎是原来的两倍。 -
嗯,非常相关。
melt你的data.table,这样你就不需要lapply。
标签: r optimization data.table lapply