data.table 连接时间

Question

我在 R 中有两个 data.tables：

> tables()
     NAME          NROW   MB COLS                                 KEY       
[1,] dtb      2,536,206   68 dte,permno,capm_beta,mkt_beta_bucket permno,dte
[2,] idx_dtb        573    1 dte                                  dte       
[3,] ssd_dtb 58,808,208 1571 dte,permno,xs_ret,mkt_cap            permno,dte
Total: 1,640MB

我想做一个右外连接：select * from dtb right join ssd_dtb using (permno, dte)

data.table 中的等效命令是：

mdtb <- dtb[ssd_dtb]

到目前为止，这已经运行了大约 20 分钟。这似乎有点长，因为在 SQL 服务器上运行它通常需要更少的时间。我是不是在滥用这个包？

问题回答后编辑： 我认为理解为什么我必须做dtb[ssd_dtb] 而不是ssd_dtb[dtb] 可能会有所帮助。我设计了一个简单的例子：

> x <- data.table(id=1:5, t=1:15, v=1:15)
> x
    id  t  v
 1:  1  1  1
 2:  2  2  2
 3:  3  3  3
 4:  4  4  4
 5:  5  5  5
 6:  1  6  6
 7:  2  7  7
 8:  3  8  8
 9:  4  9  9
10:  5 10 10
11:  1 11 11
12:  2 12 12
13:  3 13 13
14:  4 14 14
15:  5 15 15
> y <- data.table(id=c(1,1,2,3), t=c(1,2,6,13), v2=41:44)
> y
   id  t v2
1:  1  1 41
2:  1  2 42
3:  2  6 43
4:  3 13 44

> x[y]
   id  t  v v2
1:  1  1  1 41
2:  1  2 NA 42
3:  2  6 NA 43
4:  3 13 13 44
> x[y, nomatch=0]
   id  t  v v2
1:  1  1  1 41
2:  3 13 13 44
> y[x]
    id  t v2  v
 1:  1  1 41  1
 2:  1  6 NA  6
 3:  1 11 NA 11
 4:  2  2 NA  2
 5:  2  7 NA  7
 6:  2 12 NA 12
 7:  3  3 NA  3
 8:  3  8 NA  8
 9:  3 13 44 13
10:  4  4 NA  4
11:  4  9 NA  9
12:  4 14 NA 14
13:  5  5 NA  5
14:  5 10 NA 10
15:  5 15 NA 15
> y[x, nomatch=0]
   id  t v2  v
1:  1  1 41  1
2:  3 13 44 13 

编辑 2：上述解决方案 1 请求的输出如下：

> Rprof() > mdtb Rprof(NULL) > 摘要Rprof() $by.self self.time self.pct total.time total.pct “[.data.table” 15.36 62.39 24.62 100.00 “.Call” 7.96 32.33 7.96 32.33 “pmin” 0.92 3.74 1.16 4.71 “列表” 0.24 0.97 0.24 0.97 “矢量” 0.14 0.57 0.14 0.57 $by.total total.time total.pct self.time self.pct “[.data.table” 24.62 100.00 15.36 62.39 “[” 24.62 100.00 0.00 0.00 “.Call” 7.96 32.33 7.96 32.33 “pmin” 1.16 4.71 0.92 3.74 “列表” 0.24 0.97 0.24 0.97 “矢量” 0.14 0.57 0.14 0.57 “整数” 0.14 0.57 0.00 0.00 $sample.interval [1] 0.02 $采样时间 [1] 24.62

Answer 1

如果我可以在没有可重现示例的情况下猜测，我会尝试。在这种情况下，一些事情确实浮现在脑海中。好问题。

1. 源中有一个 TODO，在这种情况下可能会导致大幅减速。不过，我不知道它有那么糟糕。如果您知道dtb 的密钥是唯一的（即每个permno 中没有重复的dte），很可能在这里，然后设置mult="first" 来解决它。或者mult="last" 是一样的。它所做的是找到组的起点和终点，但是当一个键是唯一的时，所有这些组都只有 1 行。

2. 在您的情况下，与x 相比，i 表可能更大。如果可能，尽量安排i小于x的查询；即ssd_dtb[dtb] 而不是dtb[ssd_dtb]。当nomatch=0 时，它们将是相同的。

如果 1 中的解决方法有帮助，如果您可以运行以下命令并将结果发送给我，那就太好了。另外，请提出bug.report(package="data.table") 链接回此问题。这样，您将在状态更改时获得自动更新。

Rprof()
dtb[ssd_dtb]  # reduce size so that this takes 30 seconds or something manageable
Rprof(NULL)
summaryRprof()

Rprof()
dtb[ssd_dtb,mult="first"]  # should be faster than above if my guess is right
Rprof(NULL)
summaryRprof()