ffbase：在X和Y列以及最接近的Z列上合并

Question

我想使用ffdf完成以下操作：在X和Y列上合并，然后在最接近的Time上合并，然后在closes列B上合并。但是， 在较小的示例中 ，我知道的过程涉及使用外部合并（如下所示）。 使用ffbase，对于无法容纳在内存中（并且可能不适用于sqldf）的大型示例，该如何解决？ 如果不可能的话，最好的图书馆是什么？

作为可重现的示例，如下所示：

set.seed(1)
df.ff <- as.ffdf(cbind(expand.grid(x = 1:3, y = 1:5), time = round(runif(15) * 30)))

to.merge.ff <- as.ffdf(data.frame(x = c(2, 2, 2, 3, 2), y = c(1, 1, 1, 5, 4), time = c(17, 12, 11.6, 22.5, 2), val = letters[1:5], stringsAsFactors = F))

我从@ChinmayPatil借用以下示例，以突出显示我要遵循的类似过程：（ R-在匹配的A，B和* close * C？上合并数据帧 ）：

require(data.table)
set.seed(1)
df <- setDT(cbind(expand.grid(x = 1:3, y = 1:5), time = round(runif(15) * 30)))

to.merge <- setDT(data.frame(x = c(2, 2, 2, 3, 2), y = c(1, 1, 1, 5, 4), time = c(17, 12, 11.6, 22.5, 2), val = letters[1:5], stringsAsFactors = F))

## First do a left outer merge
A <- merge(to.merge,df, by = c('x','y'), all.x = T )

## Then calculate a diff row as such
A$diff <- abs(A$time.x - A$time.y)

##then take the minimum distance
A[ , .I[which.min(diff)] , by = c('x', 'y' ) ]

Answer 1

鉴于我的问题很少见且没有答案，我将描述我想出的解决此问题的方法，希望有人会发现它有用（甚至对我来说，以供日后参考）：

对我来说，在一列上执行此匹配，然后在另一列上执行最接近的匹配，最困难的方面是我一直认为进行外部联接（如后所述）是必要的。 使用data.table和ffdfdply解决方案非常简单。 出于说明目的，假定有一个适合内存的大型ffdf对象和一个常规data.table ：

### Large ffdf object    
A <- as.ffdf(data.table( dates.A = seq.Date(as.Date('2008-01-01'),as.Date('2008-01-31'), by = '3 days'), 
                     letters.A = LETTERS[1:4] , value.A = runif(4) ))

### Small data.table that fits in memory
B <- data.table( date.B = seq.Date(as.Date('2008-01-01'),as.Date('2008-01-05'), by = 'days'), 
                 letters.B = LETTERS[1:4] , value.B = runif(4) )

然后，您可以简单地定义一个使用data.table和roll ='nearest'进行合并的函数：

merge.ff <- function(x){
setDT(x)
x[, ':=' (dates.merge = dates.A, letters.merge = letters.A)]
B[, ':=' (dates.merge = date.B, letters.merge = letters.B)]
setkeyv(x, c('letters.merge','dates.merge'))
setkeyv(B, c('letters.merge','dates.merge'))

as.data.frame(B[x, roll = 'nearest'])
}

并将其应用于A：

result <- ffdfdply( A, split = A$dates.A, FUN = merge.ff)

该键实际上只是在data.table中使用roll方法并将其传递给ffdfdply。 看来效率很高。