问题描述
|
Windows 7上的R版本2.11.1 32位
我得到数据train.txt如下:
USER_A USER_B ACTION
1 7 0
1 8 1
2 6 2
2 7 1
3 8 2
我将数据作为以下算法处理:
train_data=read.table(\"train.txt\",header=T)
result=matrix(0,length(unique(train_data$USER_B)),2)
result[,1]=unique(train_data$USER_B)
for(i in 1:dim(result)[1])
{
temp=train_data[train_data$USER_B%in%result[i,1],]
result[i,2]=sum(temp[,3])/dim(temp)[1]
}
结果是train_data中每个USER_B的得分。分数定义为:
USER_B的分数=(USER_B的所有ACTION的总和)/(USER_B的推荐时间)
但是train_data很大,可能需要三天才能完成此程序,所以我来这里寻求帮助,是否可以改进此算法?
解决方法
运行您的示例,您想要的结果是计算每个唯一USER_B的平均ACTION:
[,1] [,2]
[1,] 7 0.5
[2,] 8 1.0
[3,] 6 2.0
您可以使用软件包plyr
中的ddply()
函数用一行代码来完成此操作
library(plyr)
ddply(train_data[,-1],.(USER_B),numcolwise(mean))
USER_B ACTION
1 6 2.0
2 7 0.5
3 8 1.0
或者,基数R中的函数tapply
执行相同的操作:
tapply(train_data$ACTION,train_data$USER_B,mean)
根据表的大小,执行时间可以提高20倍或更多。这是具有一百万个条目的data.frame的system.time测试。您的算法需要116秒,ddply()需要5.4秒,而tapply需要1.2秒:
train_data <- data.frame(
USER_A = 1:1e6,USER_B = sample(1:1e3,size=1e6,replace=TRUE),ACTION = sample (1:100,replace=TRUE))
yourfunction <- function(){
result <- matrix(0,length(unique(train_data$USER_B)),2)
result[,1] <- unique(train_data$USER_B);
for(i in 1:dim(result)[1]){
temp=train_data[train_data$USER_B%in%result[i,1],]
result[i,2]=sum(temp[,3])/dim(temp)[1]
}
result
}
system.time(XX <- yourfunction())
user system elapsed
116.29 14.04 134.33
system.time(YY <- ddply(train_data[,numcolwise(mean)))
user system elapsed
5.43 1.60 7.19
system.time(ZZ <- tapply(train_data$ACTION,mean))
user system elapsed
1.17 0.06 1.25
,除了@Andrie提供的方法外,“ 9”到“ 10”的方法仍然更快:
> system.time(ZZ <- tapply(train_data$ACTION,mean))
user system elapsed
1.025 0.011 1.062
> system.time(WW <- unlist(lapply(split(train_data$ACTION,+ f = train_data$USER_B),+ mean)))
user system elapsed
0.465 0.007 0.483
sapply()
同样可以解决这个问题:
> system.time(SS <- sapply(split(train_data$ACTION,f = train_data$USER_B),+ mean))
user system elapsed
0.469 0.001 0.474
,@gavin在结合使用split
和lapply
时表现出了很高的性能。
data.table
封装使性能进一步显着提高了〜75%
library(data.table)
system.time({
VV <- as.data.table(train_data)[,list(ACTION=mean(ACTION)),by=USER_B]
})
user system elapsed
0.15 0.02 0.17
system.time(WW <- unlist(lapply(split(train_data$ACTION,mean)))
user system elapsed
0.61 0.02 0.63
all(WW==VV$ACTION)
[1] TRUE
RAN16ѭ包可在CRAN获得,并在r-forge上拥有网站
,您可以尝试tapply
:
train_data <- read.table(\"train.txt\",header=T);
result <- tapply(train_data$ACTION,function(x) sum(x)/length(x));
您可以使用ѭ21来代替ѭ22,但是我最近读到这最后一个解决方案更快(如果您没有any23等等)。
我还没有测试过,但我认为应该会更快。如果您想要更快的解决方案,请查看Rcpp
和inline
软件包...