我想做什么
我有许多唯一的ID,例如id1,id2,etc.
。它们出现在多个组中,每个组都是1到100个ID之间的随机样本,例如
[1] "id872- id103- id746-"
[2] "id830- id582-"
[3] "id663- id403- id675- id584- id866- id399- id28- id550-"
我想找到一个ID所属的所有组,例如为id1
groups.with.id[1] = grep("id1-",groups)
我的问题
数据很大(8万个ID,100万个群组),这在我的笔记本电脑上大约需要 12小时。我认为这是以下事实的组合:我做了80k次(每个id一次),并且每次我访问一个巨大的对象(1M组)。
有什么方法可以提高效率?
(我经常在R中遇到较大的对象的问题。例如,重复索引具有1万行以上的数据帧会很快变慢。对大型对象进行有效索引的一般答案也很受欢迎!)
示例代码
# make toy dataset
n.ids = 80000 # number of unique ids
n.groups = 100 # number of groupings
# make data
ids = paste("id",1:n.ids,"-",sep="")
groups = character(n.groups)
for (ii in 1:n.groups) {
group.size = ceiling(runif(1) * 10)
groups[ii] = paste(sample(ids,group.size),collapse=" ")
}
# execute and time
t1 = Sys.time()
groups.with.id = sapply(ids,grep,groups)
difftime(Sys.time(),t1)
> Time difference of 29.63272 secs
在此示例中,500个组耗时约30秒。我想扩大到100万个小组。有有效的方法吗?