У меня есть большая таблица data.table (+12 млн строк), которую мне нужно преобразовать следующим образом:
Сверните каждую строку с одинаковым значением первого столбца (назовем ее BookId) в 1 строку и объедините другие столбцы в большую "данные". " поле. Эта таблица содержит 2,7 млн уникальных BookId.
Ie :
BookId Col1 Col2 ... ColN B001 Author Bob ... ... B002 Author Marc ... ... B002 Editor Bob Inc ... ... B001 Editor MyBooks ... ...
Ожидаемый результат:
BookId data B001 Bob,MyBooks, ... B002 Marc,Bob Inc, ...
На данный момент мне удалось воспроизвести эту структуру с помощью подмножеств, но это очень медленно, для построения строки требуется до 300 мс, а это значит, что процесс займет до 9 дней.
Поэтому я решил использовать параллельный цикл foreach, чтобы ускорить процесс.
Мой первый подход состоял в том, чтобы перебрать список bookId в цикле, но он делил бы глобальное общее время только на количество ядер, что неудовлетворительно (8 ядер означает +1 день). Кроме того, это означает, что каждый процесс будет автоматически экспортировать очень большой объем данных, поскольку всем им нужен весь объект data.table.
Я нашел другой способ улучшить процесс, разделив первичную таблицу данных на независимые подмножества на основе списка bookId, а затем заставить каждый кластер работать с этими подмножествами (меньше строк означает более быстрое создание подмножеств). К сожалению, я не могу экспортировать свои подмножества в кластеры, так как они имеют «динамическое» имя. Я попробовал параметр «.export», но я думаю, что он не знает о текущем значении «i» при оценке. Как я могу этого добиться? Это вообще возможно?
Я новичок в R, мне сказали, что всегда было много способов добиться одного и того же, выбрал ли я лучший подход для достижения этой цели?
Вот мой код:
# Create cluster based on available cores
cores = detectCores()
cl <- makeCluster(cores)
registerDoParallel(cl)
# Load datas and generate BookId lists
books <- fread("books.tab")
bookId.unique.list <- unique(books$BookId)
bookId.list <- books$BookId
# Split datatable into "equals" subsets
subset.length = ceiling(length(book.unique.list)/cores)
for (i in 1:(cores)) {
start = (i-1)*subset.length
end = (i)*subset.length
list = book.unique.list[start:end]
assign(paste("books",i,sep=""), books[books$BookId %in% list])
assign(paste("book.list",i,sep=""), list )
}
# Prepare resulting DT
res = data.table(BookId = character(0), data = character(0))
# Parallel loop
res <- foreach(i = 1:cores, .combine = rbind, .export = paste0("book", i), .packages = c("data.table")) %dopar% {
#Try to get the named subset corresponding to the current iteration (i)
# IE : Books1, Books2...
BookSubset = get(paste0("book", i))
Book.list.subset = unique(BookSubset$BookId)
temp = data.table(BookId = character(0), data = character(0))
for (i in 1:length(Book.list.subset)) {
bookId = Book.list.subset[i]
subset <- BookSubset[which(Book.list.subset ==bookId)]
output = capture.output(write.table(subset, stdout()quote=FALSE, row.names=FALSE,col.names=FALSE)
temp <- rbind(hist, data.table(zkf_BOOK = c(bookId), data = c(output)))
}
temp
}
Вот результат dput[head(books))
:
structure(list(BookId = c("BOOKXXXX774051532082", "BOOKXXXX776514515608",
"BOOKXXXX776287821289", "BOOKXXXX776514515608", "BOOKXXXX774051532082",
"BOOKXXXX774051532082"), V2 = c("ZUSRXXXX842901236553",
"ZUSRXXXX371255229634",
"ZUSRXXXX656080986411", "ZUSRXXXX371255229634", "ZUSRXXXX842901236553",
"ZUSRXXXX842901236553"), V3 = c("BOOKEVTX776757835463",
"BOOKEVTX776762775464",
"BOOKEVTX776772854465", "BOOKEVTX776773643466", "", "BOOKEVTX776995487467"
), V4 = c("ZACTIONX215229995154", "ZACTIONX533300043134",
"ZACTIONX533300043134",
"ZACTIONX533300043134", "", "ZACTIONX215229995154"), V5 = c("",
"", "", "", "", ""), V6 = c("", "", "", "", "MAILOUTX776774376684",
""), V7 = c("", "", "", "", "", ""), V8 = c("", "", "", "", "",
""), V9 = c("", "", "", "", "", ""), V10 = c("", "", "", "",
"", ""), V11 = c("", "", "", "", "", "")), .Names = c("zkf_BOOK",
"V2", "V3", "V4", "V5", "V6", "V7", "V8", "V9", "V10", "V11"), class =
c("data.table",
"data.frame"), row.names = c(NA, -6L))
Вот пример моего «реального» ввода данных:
BOOKXXXX774051532082 ZUSRXXXX842901236553 BOOKEVTX776757835463 ZACTIONX215229995154
BOOKXXXX776514515608 ZUSRXXXX371255229634 BOOKEVTX776762775464 ZACTIONX533300043134
BOOKXXXX776287821289 ZUSRXXXX656080986411 BOOKEVTX776772854465 ZACTIONX533300043134
BOOKXXXX776514515608 ZUSRXXXX371255229634 BOOKEVTX776773643466 ZACTIONX533300043134
BOOKXXXX774051532082 ZUSRXXXX842901236553 MAILOUTX776774376684
BOOKXXXX774051532082 ZUSRXXXX842901236553 BOOKEVTX776995487467 ZACTIONX215229995154
BOOKXXXX776287821289 ZUSRXXXX656080986411 BOOKEVTX777107387468 ZACTIONX533300043134
и ожидаемый результат
BOOKXXXX774051532082 ZUSRXXXX842901236553|BOOKEVTX776757835463|ZACTIONX215229995154|||||||;ZUSRXXXX842901236553||||MAILOUTX776774376684|||||;ZUSRXXXX842901236553|BOOKEVTX776995487467|ZACTIONX215229995154|||||||
BOOKXXXX776514515608 ZUSRXXXX371255229634|BOOKEVTX776762775464|ZACTIONX533300043134|||||||;ZUSRXXXX371255229634|BOOKEVTX776773643466|ZACTIONX533300043134|||||||
BOOKXXXX776287821289 ZUSRXXXX656080986411|BOOKEVTX776772854465|ZACTIONX533300043134|||||||;ZUSRXXXX656080986411|BOOKEVTX777107387468|ZACTIONX533300043134|||||||
dput(head(books))
- person Hack-R   schedule 14.11.2017