2

好吧。我已经对这个问题进行了大量编辑,以 a) 使其更有意义,并且 b) 反映我遇到的问题所在。

我有两个数据集——我们称它们为 set1 和 set2——每个数据集大约有 600 万行。目前,我将它们作为 data.tables 加载到 R 中。

>set1<-data.table(read.csv('~/file1.csv', stringsAsFactors=F))
>setkey(set1, id1)
>head(set1)
     id1 start_unixtime end_unixtime seconds_diff        id2
1:  1674     1354741858   1354741858            0  227167461
2:  1674     1354752386   1354752951          565  227246263
3:  1674     1354764412   1354764412            0  227358796
4:  1674     1354773044   1354773776          732  227421295
5:  1674     1354778651   1354778651            0  227448774
6:  1674     1354810424   1354810424            0  227631113
>set2<-data.table(read.csv('~/file2.csv', stringsAsFactors=F))
>setkey(set2, id1)
>head(set2)
     id1    unix_timestamp event_name
1:  1674    1355202784           join
2:  1674    1354351118           join
3:  1674    1354349648           play
4:  1674    1354780517           join
5:  1674    1355278891           join
6:  1674    1354617262           join

需要指出的一个有问题的细节: set2 没有唯一键。只有每一行的元组实际上是唯一的。在 set1 中,id2 是唯一的。娱乐时间!

我正在执行的操作是这样的:对于 中的每一行set2,我需要获取 unix_timestamp,找到set1wherestart_unixtimestamp <= unix_timestamp <= end_unixtimestamp和 id1 匹配的行,然后将对应set1.id2的行分配给set2. in 的每一行set2都有一个 in 的条目set1,但不是 in 的每一行set1都有一个 in 的条目set2。一个id2可以分配给set2. 我需要结束的是这个(注意:以下数据是假的,因为我还没有能够产生任何实际的成功。):

>head(set2)
     id1    unix_timestamp event_name         id2
1:  1674        1355202784       join   227167461
2:  1674        1354351118       join   227157309
3:  1674        1354349648       play   227157309
4:  1674        1354780517       join   227157309
5:  1674        1355278891       join   271089456
6:  1674        1354617262       join   221729485

这是我制作的一堆乱七八糟的数据表:

set2[, id2 := set1[set2[, id1], list(start_unixtime, end_unixtime, id2)][(start_unixtime <= unix_timestamp & unix_timestamp <= end_unixtime), id2, by=id2]][, list(id2)][, id2:= id2]

谈论我所理解的事情:

  1. set2调用赋值运算符:=
  2. 右侧调用set1,它joining从 set2 中的 id1 行开始。
  3. start_unixtimeend_unixtime和列id2被选中。
  4. 根据该结果,完成了第二组选择,它得到id2utc_timestampof和id2之间的位置。start_unixtimeend_unixtime
  5. ......在这里,我认为我做错了 - 因为在这一步,我似乎总是有两列,每列都标记id2并包含相同的结果。所以,我选择一列...
  6. ...并指定它进行分配。(我不知道为什么要这样做两次。我发现了这个 SO 帖子,它使用了第二个:=,而这个没有,我根本不知道为什么。

...这是行不通的。@mnel 提出了类似的建议:

set2[set1, nomatch=0][unix_timestamp %between c(start_unixtime, end_unixtime, incbounds=T)]

...当我用他的测试数据尝试它时,它有效,但不适用于我的数据。我突然想到我的数据可能是某种类型(字符?),它data.table(或 R 句点)可能无法正确强制?我可能很密集,但我似乎无法弄清楚如何调用as.integer()a 的指定列data.table

编辑:是的,我的数据都是字符,我忘记了data.table继承自data.frame. 所以,一点点set1$start_unixtime <- as.integer($set1$start_unixtime),至少我确信一切都是整数。但是,当我运行该命令时,我仍然得到这个:

>head(set2)
Empty data.table (0 rows) of 8 cols: id1,utc_timestamp,event_name,start_unixtime,end_unixtime,seconds_diff...

加法 这里是我的实际数据的片段:

set1 <-  as.data.table(list(id1 = c(1674L, 1674L, 1674L, 1674L, 1674L, 1674L), 
     start_unixtime = c(1354741858L, 1354752386L, 1354764412L, 1354773044L, 1354778651L, 1354810424L), 
     end_unixtime = c(1354741858L, 1354752951L, 1354764412L, 1354773776L, 1354778651L, 1354810424L), 
    seconds_diff = c(0L, 565L, 0L, 732L, 0L, 0L), 
    id2 = c(227167461L, 227246263L, 227358796L, 227421295L, 227448774L, 227631113L))
set2 <- as.data.table(list(
    id1 = c(1674L, 1674L, 1674L, 1674L, 1674L, 1674L), 
    utc_timestamp = c(1354752431L, 1354780517L, 1354811978L, 1354824385L, 1354833271L, 1354862753L), 
    event_name = c("joinRegularTable_2", "joinRegularTable_2", "joinRegularTable_2", "joinRegularTable_2","joinRegularTable_2", "joinRegularTable_2"))
4

1 回答 1

3

我不确定这是否适用于您的数据,因为您可能需要发布更完整的示例,但类似以下内容可能会起作用。它先进行 1 次连接(二分搜索),然后进行一次向量扫描(在幕后创建几个长逻辑向量,因此并不理想)

我提供了一个简单但更大的示例数据集,其中包含更多的复制。

DT <- as.data.table(list(id1 = c(5L, 1L, 5L, 1L, 5L, 3L, 5L, 3L, 1L, 3L), 
    id2 = 1:10, startunix = 1:10, endunix = 5:14))

DA <- as.data.table(list(id1 = c(3L, 5L, 5L, 5L), unixtime = c(5L, 1L, 6L, 12L)))

setkey(DA,id1)
setkey(DT,id1)


DT[DA, nomatch=0][unixtime %between% c(startunix, endunix)]

   id1 id2 startunix endunix unixtime
1:   5   1         1       5        6
2:   5   3         3       7        6
3:   5   5         5       9        6
4:   5   7         7      11        6

为了解释它在做什么,它匹配id1, 并且nomatch = 0意味着这些不包括在内。这扩展到 DA[J(5)] 和 DT[J(5)] 中多行的所有组合 - 在这种情况下

 DA[J(5)]
   id1 unixtime
1:   5        1
2:   5        6
3:   5       12
> DT[J(5)]
   id1 id2 startunix endunix
1:   5   1         1       5
2:   5   3         3       7
3:   5   5         5       9
4:   5   7         7      11

所以创建的合并数据集包含所有 12 种组合。(4次3)

然后,我使用函数between(包的一部分)对介于和之间data.table的那些值进行子集化。unixtimestartunixendunix

据我所知,您将无法使用二进制搜索来查找某物是否在某个范围内(但是 @MatthewDowle,主要data.table包作者在 SO 上很活跃,可能会跳到这里并评论这是否是将来可能或可能)

于 2012-12-18T01:53:41.237 回答