5

（编辑：@Arun 清理并修复了下面的代码，并在 R-Forge 上的 data.table 中替换了“CJ”。功能请求：#4849；更快 的 CJ 和更新为什么 expand.grid 比 data.table 更快' s CJ？）

在我看来CJ，这意味着要研究满足anyDuplicated(vector) == F.

有没有人将它与非唯一参数一起使用？

如果是这样，是否值得将 100 倍的速度命中在我认为的主要用途上？

通过调整主要用途来提高速度的下限（这些示例参数的下限，而不是任何参数的下限）：

比较：

Unit: milliseconds
                  expr        min         lq     median         uq      max neval
    dt1 <- CJ(a, b, c) 3149.15293 3166.59638 3204.95956 3472.70826 4414.919   100
dt2 <- fastCJ(a, b, c)   22.85207   23.16003   23.43691   24.04215 1208.855   100
Output identical: TRUE

代码：

library(microbenchmark)
library(data.table)

repTE <- function(x, times, each) {
  rep.int(rep.int(x, times=rep.int(each, times=length(x))), times=times)
}
fastCJ <- function(...) {
  arg_list <- list(...)
  l <- lapply(arg_list, sort.int, method="quick")
  seq_ct <- length(l)
  if (seq_ct > 1) {
    seq_lens <- vapply(l, length, numeric(1))
    tot_len <- prod(seq_lens)

    l <-lapply(
      seq_len(seq_ct),
      function(i) {
        if (i==1) {
          len <- seq_lens[1]
          rep.int(l[[1]], times=rep.int(tot_len/len, len))
        } else if (i < seq_ct) {
          pre_len <- prod(seq_lens[1:(i - 1)])
          repTE(l[[i]], times=pre_len, each=tot_len/pre_len/seq_lens[i])
        } else {
          rep.int(l[[seq_ct]], times=tot_len/seq_lens[seq_ct])
        }
      }
    )    
  } else {
    tot_len <- length(l[[1]])
  }

  setattr(l, "row.names", .set_row_names(tot_len))
  setattr(l, "class", c("data.table", "data.frame"))
  if (is.null(names <- names(arg_list))) {
    names <- vector("character", seq_ct)
  }
  if (any(tt <- names == "")) {
    names[tt] <- paste0("V", which(tt))
  }
  setattr(l, "names", names)
  data.table:::settruelength(l, 0L)
  l <- alloc.col(l)
  setattr(l, "sorted", names(l))

  return(l)
}

a <- factor(sample(1:1000, 1000))
b <- sample(letters, 26)
c <- runif(100)
print(microbenchmark( dt1 <- CJ(a, b, c), dt2 <- fastCJ(a, b, c)))
cat("Output identical:", identical(dt1, dt2))
4

1 回答 1

1

为了完整起见，从NEWS添加答案：

CJ() 在 1e6 行（例如）上快 90%，#4849。现在，输入在合并之前先排序，而不是在合并之后排序，并使用 rep.int 而不是 rep（感谢 Sean Garborg 的想法、代码和基准测试），并且仅在 is.unsorted() 时才排序，#2321。

提醒：CJ = 交叉连接；即，加入其输入的所有组合。

于 2013-09-03T18:02:11.853 回答