如何加快summary和ddply的速度？

Question

我有一个包含 200 万行和 15 列的数据框。我想用 ddply 对其中 3 列进行分组（所有 3 列都是因子，这些因子有 780,000 个独特的组合），并获得 3 列的加权平均值（权重由我的数据集定义）。以下相当快：

system.time(a2 <- aggregate(cbind(col1,col2,col3) ~ fac1 + fac2 + fac3, data=aggdf, FUN=mean))
   user  system elapsed 
 91.358   4.747 115.727 

问题是我想使用weighted.mean而不是mean来计算我的聚合列。

如果我在同一个数据帧上尝试以下 ddply（注意，我转换为不可变），则以下操作不会在 20 分钟后完成：

x <- ddply(idata.frame(aggdf), 
       c("fac1","fac2","fac3"), 
       summarise, 
       w=sum(w), 
       col1=weighted.mean(col1, w), 
       col2=weighted.mean(col2, w),
       col3=weighted.mean(col3, w))

此操作似乎很耗 CPU，但并不非常占用 RAM。

编辑： 所以我最终编写了这个小函数，它通过利用加权平均值的某些属性来“作弊”一点，并对整个对象而不是切片进行乘法和除法。

weighted_mean_cols <- function(df, bycols, aggcols, weightcol) {
    df[,aggcols] <- df[,aggcols]*df[,weightcol]
    df <- aggregate(df[,c(weightcol, aggcols)], by=as.list(df[,bycols]), sum)
    df[,aggcols] <- df[,aggcols]/df[,weightcol]
    df
}

当我运行时：

a2 <- weighted_mean_cols(aggdf, c("fac1","fac2","fac3"), c("col1","col2","col3"),"w")

我获得了良好的性能，以及可重用的、优雅的代码。

Answer 1

尽管 ddply 的代码优雅性和易用性是无与伦比的，但我发现对于大数据，tapply 速度要快得多。对于你的情况，我会

do.call("cbind", list((w <- tapply(..)), tapply(..)))

为这些点和可能对问题的错误理解使用抱歉；但我有点赶时间，必须在大约零下五分钟内赶上公共汽车！

Answer 2

如果您要使用您的编辑，为什么不使用 rowsum 来节省几分钟的执行时间呢？

nr <- 2e6
nc <- 3
aggdf <- data.frame(matrix(rnorm(nr*nc),nr,nc),
                    matrix(sample(100,nr*nc,TRUE),nr,nc), rnorm(nr))
colnames(aggdf) <- c("col1","col2","col3","fac1","fac2","fac3","w")

system.time({
aggsums <- rowsum(data.frame(aggdf[,c("col1","col2","col3")]*aggdf$w,w=aggdf$w), 
  interaction(aggdf[,c("fac1","fac2","fac3")]))
agg_wtd_mean <- aggsums[,1:3]/aggsums[,4]
})
#   user  system elapsed 
#  16.21    0.77   16.99