如何在data.table中执行更快的列表列操作

Question

由于内存（和速度）问题，我希望在data.table内进行一些计算，而不是在data.table外进行。

以下代码有100.000行，但我正在处理4000万行。

library(tictoc)
library(data.table) # version 1.11.8
library(purrr)
library(furrr)
plan(multiprocess)

veryfing_function <- function(vec1, vec2){
  vector <- as.vector(outer(vec1, vec2, paste0))
  split(vector, ceiling(seq_along(vector)/length(vec1)))
}


dt <- data.table(letters = replicate(1e6, sample(letters[1:5], 3, TRUE), simplify = FALSE),
                 numbers = replicate(1e6, sample(letters[6:10], 3, TRUE), simplify = FALSE))



tic()
result1 <- future_map2(dt$letters, dt$numbers, veryfing_function)
toc()


tic()
result2 <- mapply(veryfing_function, dt$letters, dt$numbers, SIMPLIFY = FALSE)
toc()



tic()
dt[, result := future_map2(letters, numbers, veryfing_function)]
toc()


tic()
dt[, result2 := mapply(veryfing_function, letters, numbers, SIMPLIFY = FALSE)]
toc()

所有变体的输出都是相同的，并且符合预期。基准是：

26秒72秒38秒105秒，所以我看不到使用data.table内的函数或使用mapply的优势。

我主要关心的是内存，future_map2解决方案无法解决该问题。

我现在正在使用Windows，所以我希望找到除mclapply以外的其他速度解决方案，可能是一些data.table技巧，我没有看到（列表不支持键）

Answer 1

这确实是有关内存和数据存储类型的问题。我所有的讨论将针对100,000个数据元素，以便不会陷入困境。

让我们检查一个长度为100,000的向量与包含100,000个独立元素的列表的比较。

object.size(rep(1L, 1E5))
#400048 bytes
object.size(replicate(1E5, 1, simplify = F))
#6400048 bytes

通过将数据存储在不同的位置，我们从0.4 MB增长到6.4 MB！将其应用到函数Map(veryfing_function, ...)和仅1E5元素时：

dt <- data.table(letters = replicate(1e5, sample(letters[1:5], 3, TRUE), simplify = FALSE),
                 numbers = replicate(1e5, sample(letters[6:10], 3, TRUE), simplify = FALSE))

tic()
result2 <- Map(veryfing_function, dt[['letters']], dt[['numbers']])
toc()
# 11.93 sec elapsed
object.size(result2)
# 109,769,872 bytes
#example return:
[[1000]]
[[1000]]$`1`
[1] "cg" "bg" "cg"

[[1000]]$`2`
[1] "ch" "bh" "ch"

[[1000]]$`3`
[1] "ch" "bh" "ch"

我们可以对您的函数做一个简单的修改，以返回未命名列表而不是拆分，并且由于split()显示命名列表而节省了一点内存，我认为我们不需要这个名称：

verifying_function2 <- function(vec1, vec2) {
  vector <- outer(vec1, vec2, paste0) #not as.vector
  lapply(seq_len(ncol(vector)), function(i) vector[, i]) #no need to split, just return a list
}

tic()
result2_mod <- Map(verifying_function2, dt[['letters']], dt[['numbers']])
toc()
# 2.86 sec elapsed
object.size(result2_mod)
# 73,769,872 bytes

#example_output
[[1000]]
[[1000]][[1]]
[1] "cg" "bg" "cg"

[[1000]][[2]]
[1] "ch" "bh" "ch"

[[1000]][[3]]
[1] "ch" "bh" "ch"

下一步是为什么要完全返回列表列表。我lapply()在修改后的函数中使用的只是获得您的输出。松开该lapply()列表会代替矩阵列表，我认为这样会有所帮助：

tic()
result2_mod2 <- Map(function(x,y) outer(x, y, paste0), dt[['letters']], dt[['numbers']])
toc()
# 1.66 sec elapsed
object.size(result2_mod2)
# 68,570,336 bytes

#example output:
[[1000]]
     [,1] [,2] [,3]
[1,] "cg" "ch" "ch"
[2,] "bg" "bh" "bh"
[3,] "cg" "ch" "ch"

逻辑上的最后一步是只返回一个矩阵。请注意，在整个过程中，我们一直在与mapply(..., simplify = F)等同于的简化进行斗争Map()。

tic()
result2_mod3 <- mapply(function(x,y) outer(x, y, paste0), dt[['letters']], dt[['numbers']])
toc()
# 1.3 sec elapsed
object.size(result2_mod3)
# 7,201,616 bytes

如果需要某种尺寸，可以将大矩阵转换为3D数组：

tic()
result2_mod3_arr <- array(as.vector(result2_mod3), dim = c(3,3,1E5))
toc()
# 0.02 sec elapsed
result2_mod3_arr[,,1000]
     [,1] [,2] [,3]
[1,] "cg" "ch" "ch"
[2,] "bg" "bh" "bh"
[3,] "cg" "ch" "ch"
object.size(result2_mod3_arr)
# 7,201,624 bytes

我还查看了@marbel的答案-速度更快，并且仅占用略多的内存。通过将初始dt列表尽快转换为其他内容，我的方法可能会受益。

tic()
dt1 = as.data.table(do.call(rbind, dt[['letters']]))
dt2 = as.data.table(do.call(rbind, dt[['numbers']]))

res = data.table()

combs = expand.grid(names(dt1), names(dt2), stringsAsFactors=FALSE)

set(res, j=paste0(combs[,1], combs[,2]), value=paste0( dt1[, get(combs[,1])], dt2[, get(combs[,2])] ) )
toc()
# 0.14 sec elapsed
object.size(res)
# 7,215,384 bytes

tl; dr-将您的对象转换为矩阵或data.frame，以使其更易于存储。同样有意义的是data.table，您的函数版本需要更长的时间-可能比直接应用需要更多的开销mapply()。