對 data.table (R) 中的列組合執行逐行非向量化 function

Question

我在 R (~200,000) 條目中有一個非常大的 data.table，我想對每一行執行非矢量化 function 。 這個 function 需要來自這個 data.table 的兩列的輸入。 一列的值鏈接到另一個列表，每個成員包含約 1,000,000 個數字。 這是mtcars的簡化案例

#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))

我嘗試的一件事是為每個gear條目添加一個嵌套的gear_lst列，以便我能夠執行矢量化 function。 但是，由於列表很大，memory 未能創建這樣的數據結構。

更新：@akrun 提供了一些方法，我無法用我原來的 mega_mtcars 測試它們，因為它太大了。 我把它縮小了 100 倍，這是迄今為止的性能（它似乎沒有比原來的 rowwise 方法有任何改進）：

#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 

還有其他想法嗎？

Answer 1

使用data.table ，可以通過對行序列進行分組來實現rowwise

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

Answer 2

對 gear_lst 中的值進行排序有幫助嗎？

Answer 3

很好，一個具有挑戰性的問題，嗯

我也有一個問題：data.table 中的這段代碼是並行運行的嗎？

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