我有以下数据框,我的意图是查找所有ID,它们具有不同的用法,但具有相同的TYPE。

ID <- rep(1:4, each=3)
USAGE <- c("private","private","private","private",
"taxi","private","taxi","taxi","taxi","taxi","private","taxi")
TYPE <- c("VW","VW","VW","VW","MER","VW","VW","VW","VW","VW","VW","VW")
df <- data.frame(ID,USAGE,TYPE)

如果我运行
df %>% group_by(ID, TYPE) %>% filter(n_distinct(USAGE)>1)

我得到了预期的结果。但是我的原始数据帧有> 200万行。因此,我想在运行此操作时使用所有内核。

我用multidplyr尝试了这段代码:
f1 <- partition(df, ID)
f2 <- f1 %>% group_by(ID, TYPE) %>% filter(n_distinct(USAGE)>1)
f3 <- collect(f2)

但是随后出现以下消息:
Warning message: group_indices_.grouped_df ignores extra arguments


f1 <- partition(df, ID)


Error in checkForRemoteErrors(lapply(cl, recvResult)) :
  4 nodes produced errors; first error: Evaluation error: object 'f1' not found.


f2 <- f1%>% group_by(ID, TYPE) %>% filter(f1, n_distinct(USAGE)>1)

将整个操作实现为multidplyr的正确方法是什么?非常感谢。

最佳答案

您应该在对partition()的调用中包括所有分组变量。这样,每个核都具有为给定组执行计算所需的所有数据。

library(tidyverse)
library(multidplyr)

fast <- df %>%
  partition(ID, TYPE) %>%
  group_by(ID, TYPE) %>%
  filter(n_distinct(USAGE) > 1) %>%
  collect()

确认

您仍然会收到有关group_indices的警告,但结果与原始dplyr方法相同。
slow <- df %>%
  group_by(ID, TYPE) %>%
  filter(n_distinct(USAGE) > 1)

fast == slow
       ID USAGE TYPE
#[1,] TRUE  TRUE TRUE
#[2,] TRUE  TRUE TRUE
#[3,] TRUE  TRUE TRUE

标杆管理

现在有个大问题:速度更快吗?定义cluster可以使我们确保使用所有内核。
library(microbenchmark)
library(parallel)

cluster <- create_cluster(cores = detectCores())

fast_func <- function(df) {
  df %>%
    partition(ID, TYPE, cluster = cluster) %>%
    group_by(ID, TYPE) %>%
    filter(n_distinct(USAGE) > 1) %>%
    collect()
}

slow_func <- function(df) {
  slow <- df %>%
    group_by(ID, TYPE) %>%
    filter(n_distinct(USAGE) > 1)
}

microbenchmark(fast_func(df), slow_func(df))
# Unit: milliseconds
# expr       min        lq      mean    median        uq       max neval cld
# fast_func(df) 41.360358 47.529695 55.806609 50.529851 61.459433 133.53045   100   b
# slow_func(df)  4.717761  6.974897  9.333049  7.796686  8.468594  49.51916   100  a

在这种情况下,使用并行处理实际上较慢fast_func的中值运行时间为56毫秒而不是9毫秒。这是因为与管理跨集群的数据流相关的开销。但是您说您的数据有数百万行,所以让我们尝试一下。
# Embiggen the data
df <- df[rep(seq_len(nrow(df)), each=2000000),] %>% tbl_df()

microbenchmark(fast_func(df), slow_func(df))
# Unit: seconds
# expr       min        lq      mean    median        uq       max neval cld
# fast_func(df) 43.067089 43.781144 50.754600 49.440864 55.308355 65.499095    10   b
# slow_func(df)  1.741674  2.550008  3.529607  3.246665  3.983452  7.214484    10  a

对于巨大的数据集,fast_func仍然较慢!有时并行运行可以节省大量时间,但是简单的分组过滤器不一定是其中之一。

关于r - multidplyr和group_by()和filter(),我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/45399366/

10-12 17:55