对 data.table (R) 中的列组合执行逐行非向量化 function

Question

我在 R (~200,000) 条目中有一个非常大的 data.table，我想对每一行执行非矢量化 function 。 这个 function 需要来自这个 data.table 的两列的输入。 一列的值链接到另一个列表，每个成员包含约 1,000,000 个数字。 这是mtcars的简化案例

#setup a fake list for my function call    
gears <- mtcars %>% arrange(gear) %>% pull(gear) %>% unique
gear_lst <- lapply(gears, function(x){rnorm(1000000, mean = x**2, sd = x*2)}) %>% setNames(.,gears)  

#make a mega data table     
mega_mtcars <- sapply(mtcars, rep.int, times = 10000) %>% as.data.table

#this is the function I want to call    
my_function <- function(x,y){
    sum(x > gear_lst[[y]])
}

# rowwise call is low
out <- mega_mtcars %>% mutate(gear_c = as.character(gear)) %>% rowwise %>% mutate(out = my_function(mpg, gear_c))

我尝试的一件事是为每个gear条目添加一个嵌套的gear_lst列，以便我能够执行矢量化 function。 但是，由于列表很大，memory 未能创建这样的数据结构。

更新：@akrun 提供了一些方法，我无法用我原来的 mega_mtcars 测试它们，因为它太大了。 我把它缩小了 100 倍，这是迄今为止的性能（它似乎没有比原来的 rowwise 方法有任何改进）：

#make a smaller mega_mtcars
mega_mtcars <- sapply(mtcars, rep.int, times = 100) %>% as.data.table

# use rowwise from dplyr
system.time(mega_mtcars %>% rowwise %>% mutate(out = my_function(mpg, as.character(gear))))
   user  system elapsed 
  8.086   2.860  10.941 
    
# use Map with data.table
system.time(mega_mtcars[, out := unlist(Map(my_function, x = mpg, y = as.character(gear)))])
  user  system elapsed 
  7.843   2.815  10.654 
    
# use dapply from collapse package
system.time(dapply(mega_mtcars[, .(mpg, gear)], MARGIN = 1, function(x) my_function(x[1], as.character(x[2]))))
   user  system elapsed 
  7.957   3.167  11.127 

还有其他想法吗？

Answer 1

使用data.table ，可以通过对行序列进行分组来实现rowwise

library(data.table)
mega_mtcars[, out := my_function(mpg, as.character(gear)) , 
       by = 1:nrow(mega_mtcars)]

Answer 2

对 gear_lst 中的值进行排序有帮助吗？

Answer 3

很好，一个具有挑战性的问题，嗯

我也有一个问题：data.table 中的这段代码是并行运行的吗？

library(data.table)
mega_mtcars[, out := my_function(mpg, as.character(gear)) , 
       by = 1:nrow(mega_mtcars)]