问题描述
我正在尝试并行化一个嵌套循环,在其中我替换两个数据集之间的公共变量 (changevars),在其中的每个国家 (v5) 内,每个观察都使用其 id (v3)。我必须使用国家/地区+ ID,因为国家/地区之间的 ID 重复。
我的循环代码是:
for (var in changevars) {
print(var)
for (i in unique(int2006$v5)) {
print(i)
for (id in unique(int2006$v3)) {
x2006r[x2006r$v5 == i & x2006r$v3 == id,var] <- int2006[int2006$v5 == i & int2006$v3 == id,var]
}
}
}
我想并行化它。
虽然有效,但是真的很慢。而且我不明白从 for
更改为 foreach
循环和 dopar
背后的逻辑。我试图理解其他答案,但我的尝试都失败了。
可重现的数据集示例:
- 源数据集
> dput(int2006)
structure(list(v3 = c(10001,10002,10003,10004,10005,10006,10007,10008,10009,10010,10011,10012,10013,10014,10015,10016,10017,10018,10019,10020),v5 = c(36,36,36),v7 = c(3606,3606,3606),v8 = c(1,1,2,NA,2),v9 = c(NA,4,2)),row.names = c(NA,20L),class = "data.frame")
- 目标数据集(应将 1 的单元格复制到的数据集):
> dput(x2006r)
structure(list(v3 = c(10001,v7 = c("3606","3606","3606"),2
)),class = "data.frame")
- 要迭代的变量
changevars <- c("v7","v8","v9")
有人可以帮我吗?我真的被困住了。另外,我不确定并行化这个循环是否会帮助我提高速度。
非常感谢!
解决方法
这是一种称为“更新连接”的常见操作。一个新的 dplyr
实用函数使它变得非常简单:
library(dplyr)
join_vars <- c("v3","v5")
changevars <- c("v7","v8","v9")
result <- rows_update(x = x2006r,y = int2006[c(join_vars,changevars)],by = join_vars)
如果您确实想推出自己的产品,请至少启动 with a join
。您可以看到一些 dplyr-based implementations here。我相信 data.table
在这方面也做得很好。