如何加快这个ddply？

Question

我有关于一对产品的相似性的数据框，例如：

   Product1   Product2  similarity   
   p1          p2         0.102
   p1          p3         0.221
   p1          p4         0.333 
   .....
   p2          p1         0.102
   p2          p3         0.201
   p2          p4         0.242 

我想为每个产品选择前10个最相似的产品，例如

product.pairs<-ddply(product.pairs, "product1", transform, rank = seq_along(product1)) 
product.pairs<-subset(product.pairs, rank<11,select=c(product1,product2))

这在数据集很小的时候有效，但是一旦产品数量达到 30k，它就太慢了......

我也试过 sqldf，来模拟等级和分区，比如...

sql_top10=b.similarity 上加入 productpairs b 按 a.product1,a.simlarity 分组”

但这更糟......有什么建议吗？

Answer 1

使用data.table:

library(data.table)

dt = data.table(your_df)

# fast sort by similarity
setkey(dt, similarity)

# pick (at most) top 10 most similar ones
dt[, Product2[max(1, .N-9):.N], by = Product1]