我有一个数据框 df,其中包含 2018 年每小时通过伦敦地铁站的流量:
Year Month Day Hour Station.ID Traffic
1 2018 1 1 0 A 1000
2 2018 1 1 0 B 1300
3 2018 1 1 0 C 956
4 2018 1 1 0 D 721
...
它的长度超过 7,000,000 行。我想要一种有效的方法来查找特定日期和时间的流量。例如,如果我想知道 2018 年 4 月 5 日上午 10 点在“X”站的流量,我目前会执行:
df[df$Year==2018 & df$Month==5 & df$Day==4 & df$Hour==10 & df$Station.ID=='X',]$Traffic
但是这种方法将不必要地查看整个数据框。我的想法是将数据组织成这样的层次结构:
library(data.tree)
df$pathString <- paste("MyTree",
df$Year,
df$Month,
df$Day,
df$Hour,
df$Station.ID,
sep = "/")
dftree <- as.Node(df)
我之前的请求现在类似于:
dftree$'2018'$'5'$'4'$'10'$X$Traffic
这将快几个数量级。我的问题是,首先将 df 实际组织成一棵树需要很长时间!如果我采用 1000 行的子集,则需要几分钟。所有 7,000,000 行,它都在翻腾,看不到尽头。
我的问题:
1)当数据按日期组织时,最适合快速查找的数据结构是什么?
2) df 是否太大以至于这个结构不合适?