web-dev-qa-db-ja.com

より大きなdata.frames Rをマージするための効率的な代替手段

2つの大きな（サイズが100万/ 300 KBのRDataファイル）データフレームをマージするための効率的な（コンピューターリソースと学習/実装の両方の）メソッドを探しています。

ベースRの "merge"とplyrの "join"は、メモリをすべて使い果たしてシステムをクラッシュさせているようです。

例
load テストデータフレーム

してみてください

test.merged<-merge(test, test)

または

test.merged<-join(test, test, type="all")
    -

次の投稿は、マージと代替のリストを提供します：
データフレームを結合（マージ）する方法（内側、外側、左、右）？

以下は、オブジェクトサイズの検査を可能にします。
https://heuristically.wordpress.com/2010/01/04/r-memory-usage-statistics-variable/

anonym によって生成されたデータ

rmergedataframeplyrdata.table
30
Etienne Low-Décarie

これが義務ですdata.tableの例：

library(data.table)

## Fix up your example data.frame so that the columns aren't all factors
## (not necessary, but shows that data.table can now use numeric columns as keys)
cols <- c(1:5, 7:10)
test[cols] <- lapply(cols, FUN=function(X) as.numeric(as.character(test[[X]])))
test[11] <- as.logical(test[[11]])

## Create two data.tables with which to demonstrate a data.table merge
dt <- data.table(test, key=names(test))
dt2 <- copy(dt)
## Add to each one a unique non-keyed column
dt$X <- seq_len(nrow(dt))
dt2$Y <- rev(seq_len(nrow(dt)))

## Merge them based on the keyed columns (in both cases, all but the last) to ...
## (1) create a new data.table
dt3 <- dt[dt2]
## (2) or (poss. minimizing memory usage), just add column Y from dt2 to dt
dt[dt2,Y:=Y]
20
Josh O'Brien

以下は、data.tableメソッドとdata.frameメソッドのタイミングの一部です。
data.tableの使用は非常に高速です。メモリに関して、私は2つの方法がRAM useで非常に似ている（20％以内））と非公式に報告できます。

library(data.table)

set.seed(1234)
n = 1e6

data_frame_1 = data.frame(id=paste("id_", 1:n, sep=""),
                          factor1=sample(c("A", "B", "C"), n, replace=TRUE))
data_frame_2 = data.frame(id=sample(data_frame_1$id),
                          value1=rnorm(n))

data_table_1 = data.table(data_frame_1, key="id")
data_table_2 = data.table(data_frame_2, key="id")

system.time(df.merged <- merge(data_frame_1, data_frame_2))
#   user  system elapsed 
# 17.983   0.189  18.063 


system.time(dt.merged <- merge(data_table_1, data_table_2))
#   user  system elapsed 
#  0.729   0.099   0.821
26
bdemarest

Rでマージを行う必要がありますか？そうでない場合は、単純なファイル連結を使用して基礎となるデータファイルをマージしてから、Rにロードします（これは状況に当てはまらない可能性があることを理解していますが、そうであれば、多くの頭痛を軽減できます）。

0
David J.