【发布时间】:2014-03-30 11:41:30
【问题描述】:
所以情况就是这样。我有一个 8500 万行的表,有 18 列。其中三列的值采用公制前缀/SI 表示法(参见 Wikipedia 上的 Metric Prefix)。
这意味着我有这样的数字:
- .1M 而不是 100000 或 1e+5,或
- 1K 而不是 1000 或 1e+3
示例data.table是
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12 V13 V14 V15 V16 V17 V18
1: 2014-03-25 12:15:12 58300 3010 44.0 4.5 0.0 0 0 0.8 50 0.8 10K 303 21K 0 a 56
2: 2014-03-25 12:15:12 56328 3010 28.0 12.0 0.0 0 0 0.3 60 0.0 59 62 .1M 0 a 66
3: 2014-03-25 12:15:12 21082 3010 10.0 1.7 0.0 0 0 14.0 72 0.3 4K 208 8K 1 a 80
4: 2014-03-25 12:15:12 59423 3010 12.0 0.0 0.2 0 0 88.0 0 0.0 20 16 71 0 a 26
5: 2014-03-25 12:15:12 59423 3010 9.6 1.4 0.0 0 0 60.0 29 0.2 2K 251 6K 0 a 56
6: 2014-03-25 12:15:12 24193 3010 8.3 1.9 0.0 0 0 9.9 80 0.3 3K 264 8K 1 a 71
7: 2014-03-25 12:15:12 21082 3010 7.1 1.7 0.4 0 0 6.3 83 0.3 3K 197 7K 0 a 71
8: 2014-03-25 12:15:12 59423 3010 4.6 1.2 0.0 0 0 57.0 37 0.1 998 81 7K 0 a 118
我修改了 Hans-Jörg Bibiko 编写的函数,他用它来修改 ggplot2 比例。如果您有兴趣,请参阅网站here。我最终使用的功能是:
sitor <- function(x)
{
conv <- paste("E", c(seq(-24 ,-3, by=3), -2, -1, 0, seq(3, 24, by=3)), sep="")
names(conv) <- c("y","z","a","f","p","n","µ","m","c","d","","K","M","G","T","P","E","Z","Y")
x <- as.character(x)
num <- function(x) as.numeric(
paste(
strsplit(x,"[A-z|µ]")[[1]][3],
ifelse(substr(paste(strsplit(x,"[0-9|\\.]")[[1]], sep="", collapse=""), 1, 1) == "",
"",
conv[substr(paste(strsplit(x,"[0-9|\\.]")[[1]], sep="", collapse=""), 1, 1)]
),
sep=""
)
)
return(lapply(x,num))
}
我将其应用于数据表以更新 3 列,例如
temp[ ,`:=`(V13=sitor(V13),V14=sitor(V14),V15=sitor(V15)) ]
我已经使用
将 data.table 键向量应用于临时表setkeyv(temp,c("V1","V2","V3","V18"))
任何 61 分钟后,我仍然在这里等待结果...鉴于我的数据大小即将增长 4 到 5 倍,有关如何加快转换速度的一些提示将非常方便。
【问题讨论】:
-
顶部输出:
PID USER PR NI VIRT RES SHR S %CPU %MEM TIME+ COMMAND4878 neurozen 20 0 18.7g 18g 11m R 100.1 62.8 63:38.95 rsession -
什么是运行 61 分钟?
setkeyv(temp,c("V1","V2","V3","V18"))或temp[ ,:=(V13=sitor(V13),V14=sitor(V14),V15=sitor(V15)) ]?为什么要对 temp 进行排序? -
sitor返回一个列表...您的列在 dt 类型列表中吗? -
@Dave 使用 temp[ ,:=(V13=sitor(V13),V14=sitor(V14),V15=sitor(V15)) 将
sitor函数应用于temp是耗时 61 分钟(实际上仍在进行中)。我不打算对 temp 进行排序,它只是在应用密钥之后。setkeyvontemp大约需要 90 秒。 -
@Michele 好点。我正在应用的列的类
sitor是character类。您是否建议我不应该在函数的返回值中使用lapply?告诉我更多...
标签: r performance data.table metric