R группировка по условию в данных.таблица

в R, у меня есть большие данные.таблица. Для каждой строки Я хочу подсчитать строки с аналогичным значением x1 (+/- некоторый допуск, tol). Я могу заставить это работать, используя adply, но это слишком медленно. Это похоже на данные.таблица была бы хороша для-на самом деле, я уже использую данные.таблицы для вычислений.

есть ли способ сделать это полностью с Данные.стол? Вот пример:

library(data.table)
library(plyr)
my.df = data.table(x1 = 1:1000,
                   x2 = 4:1003)
tol = 3
adply(my.df, 1, function(df) my.df[x1 > (df$x1 - tol) & x1 < (df$x1 + tol), .N])

результаты:

        x1   x2 V1
   1:    1    4  3
   2:    2    5  4
   3:    3    6  5
   4:    4    7  5
   5:    5    8  5
  ---             
 996:  996  999  5
 997:  997 1000  5
 998:  998 1001  5
 999:  999 1002  4
1000: 1000 1003  3

обновление:

вот пример набора данных, который немного ближе к моим реальным данным:

set.seed(10)
x = seq(1,100000000,100000)
x = x + sample(1:50000, length(x), replace=T)
x2 = x + sample(1:50000, length(x), replace=T)
my.df = data.table(x1 = x,
                   x2 = x2)
setkey(my.df,x1)
tol = 100000

og = function(my.df) {
  adply(my.df, 1, function(df) my.df[x1 > (df$x1 - tol) & x1 < (df$x1 + tol), .N])
}

microbenchmark(r_ed <- ed(copy(my.df)),
               r_ar <- ar(copy(my.df)),
               r_og <- og(copy(my.df)),
               times = 1)

Unit: milliseconds
                    expr         min          lq      median          uq         max neval
 r_ed <- ed(copy(my.df))    8.553137    8.553137    8.553137    8.553137    8.553137     1
 r_ar <- ar(copy(my.df))   10.229438   10.229438   10.229438   10.229438   10.229438     1
 r_og <- og(copy(my.df)) 1424.472844 1424.472844 1424.472844 1424.472844 1424.472844     1

очевидно, что решения от @eddi и @Arun намного быстрее, чем мои. Теперь я просто должен попытаться понять Роллс.

4 ответов


вот быстрее data.table решение. Идея состоит в том, чтобы использовать функциональность слияния data.table, но прежде чем мы это сделаем, нам нужно немного изменить данные и сделать столбец x1 numeric вместо integer. Это связано с тем, что OP использует строгое неравенство и для использования скользящих соединений с этим нам придется уменьшить допуск на небольшую сумму, сделав его числом с плавающей запятой.

my.df[, x1 := as.numeric(x1)]

# set the key to x1 for the merges and to sort
# (note, if data already sorted can make this step instantaneous using setattr)
setkey(my.df, x1)

# and now we're going to do two rolling merges, one with the upper bound
# and one with lower, then get the index of the match and subtract the ends
# (+1, to get the count)
my.df[, res := my.df[J(x1 + tol - 1e-6), list(ind = .I), roll = Inf]$ind -
               my.df[J(x1 - tol + 1e-6), list(ind = .I), roll = -Inf]$ind + 1]


# and here's the bench vs @Arun's solution
ed = function(my.df) {
  my.df[, x1 := as.numeric(x1)]
  setkey(my.df, x1)
  my.df[, res := my.df[J(x1 + tol - 1e-6), list(ind = .I), roll = Inf]$ind -
                 my.df[J(x1 - tol + 1e-6), list(ind = .I), roll = -Inf]$ind + 1]
}

microbenchmark(ed(copy(my.df)), ar(copy(my.df)))
#Unit: milliseconds
#            expr       min       lq   median       uq      max neval
# ed(copy(my.df))  7.297928 10.09947 10.87561 11.80083 23.05907   100
# ar(copy(my.df)) 10.825521 15.38151 16.36115 18.15350 21.98761   100

Примечание:x1 является целым числом, не нужно преобразовывать в числовое и вычитать небольшую сумму из tol можно использовать tol - 1L вместо tol - 1e-6 выше.


см. ответ @eddi для более быстрого решения (для этой конкретной проблемы). Он также работает, когда x1 не является целым числом.

алгоритм, который вы ищете является Интервал Дерево. И есть пакет программе bioconductor под названием IRanges это выполняет эту задачу. Это трудно превзойти.

require(IRanges)
require(data.table)
my.df[, res := countOverlaps(IRanges(my.df$x1, width=1), 
           IRanges(my.df$x1-tol+1, my.df$x1+tol-1))]

объяснение:

если вы сломаете код, вы можете записать его в три строки:

ir1 <- IRanges(my.df$x1, width=1)
ir2 <- IRanges(my.df$x1-tol+1, my.df$x1+tol-1)
cnt <- countOverlaps(ir1, ir2)

то, что мы по существу делаем, это создать два " диапазона "(просто введите ir1 и ir2 чтобы посмотреть, как они). Затем мы спрашиваем, для каждой записи в ir1 сколько они перекрываются в ir2 (это часть "дерево интервалов"). И это очень эффективно. Неявно аргумент type to countOverlaps, по умолчанию "type = any". Вы можете исследовать другие типы, если хотите. Это очень полезно. Также имеет значение findOverlaps функция.

Примечание: могут быть более быстрые решения (на самом деле есть, см. @eddi) для этого конкретного случая, где ширина ir1 = 1. Но для проблем, где переменной ширины и/или > 1, это должно быть самым быстрым.


бенчмаркинг:

ag <- function(my.df) my.df[, res := sum(abs(my.df$x1-x1) < tol), by=x1]
ro <- function(my.df) {
            my.df[,res:= { y = my.df$x1
            sum(y > (x1 - tol) & y < (x1 + tol))
            }, by=x1]
      }
ar <- function(my.df) {
           my.df[, res := countOverlaps(IRanges(my.df$x1, width=1), 
            IRanges(my.df$x1-tol+1, my.df$x1+tol-1))]
      }


require(microbenchmark)
microbenchmark(r1 <- ag(copy(my.df)), r2 <- ro(copy(my.df)), 
               r3 <- ar(copy(my.df)), times=100)

Unit: milliseconds
                  expr      min       lq   median       uq       max neval
 r1 <- ag(copy(my.df)) 33.15940 39.63531 41.61555 44.56616 208.99067   100
 r2 <- ro(copy(my.df)) 69.35311 76.66642 80.23917 84.67419 344.82031   100
 r3 <- ar(copy(my.df)) 11.22027 12.14113 13.21196 14.72830  48.61417   100 <~~~

identical(r1, r2) # TRUE
identical(r1, r3) # TRUE

вот чистые данные.решение таблицы:

my.df[, res:=sum(my.df$x1 > (x1 - tol) & my.df$x1 < (x1 + tol)), by=x1]

my.df <- adply(my.df, 1, 
           function(df) my.df[x1 > (df$x1 - tol) & x1 < (df$x1 + tol), .N])

identical(my.df[,res],my.df[,V1])
#[1] TRUE

однако это все равно будет относительно медленно, если у вас есть много уникальных x1. В конце концов, вам нужно сделать огромное количество сравнений, и я не могу придумать способ избежать этого прямо сейчас.


используя тот факт, что

 abs(x-y) < tol ~    y-tol <= x <= y+ tol 

вы можете повысить производительность в 2 раза.

## wrap codes in 2 function for benchmarking
library(data.table)
library(plyr)
my.df = data.table(x1 = 1:1000,
                   x2 = 4:1003)
tol = 3
ag <- function()
my.df[, res := sum(abs(my.df$x1-x1) < tol), by=x1]
ro <- function()
  my.df[,res:= { y = my.df$x1
          sum(y > (x1 - tol) & y < (x1 + tol))
          }, by=x1]
## check equal results
identical(ag(),ro())
TRUE
library(microbenchmark)
## benchmarks 
microbenchmark(ag(),
               ro(),times=1)

Unit: milliseconds
 expr      min       lq   median       uq      max neval
 ag() 32.75638 32.75638 32.75638 32.75638 32.75638     1
 ro() 63.50043 63.50043 63.50043 63.50043 63.50043     1