Necesito procesar un gran conjunto de datos de millones de entradas, con el siguiente formato:

Tabla: Visitas

|----------------|--------------|------------|
|   PERSON_ID    |      DATE    |  #Clicks   |
|----------------|--------------|------------|
|          1     |  2017-05-04  |          4 |
|          1     |  2018-05-04  |          1 |
|          1     |  2016-02-04  |          5 |
|          1     |  2018-05-06  |          7 |
|          2     |  2018-05-04  |          8 |
|          2     |  2018-05-16  |          1 |
|          2     |  2018-01-04  |          1 |
|          2     |  2018-02-04  |          2 |
|          ...   |  ...         |        ... |
|----------------|--------------|------------|

Quiero contar los clics de cada día + 30 días siguientes.

Datos N = 2,000,000 Personas = 15,000

Iterar sobre cada persona toma alrededor de 1 segundo, esto es disminuir la velocidad. Cualquier consejo sobre cómo ajustar el código sería apreciado.

Ya intenté usar apply / lapply sin gran éxito.

Ejemplo de código: biblioteca (lubridate);

#Initial Data Set
visits <- data.frame(person_id=c(1,1,1,1,2,2,2,2),
date=c(ymd("2017-05-04"),ymd("2018-05-04"),ymd("2016-02-04"),ymd("2018-05-06"),ymd("2018-05-04"),ymd("2018-05-16"),ymd("2018-01-04"),ymd("2018-02-04")),
clicks=c(4,1,5,7,8,1,1,2),
clicks_30days=0)

unique_visitors <- unique(visits$person_id)
#For Each Person
for(person_id in unique_visitors)
{
    #Subset person's records and order the, descending
    person_visits <- visits[visits$person_id == person_id,]
    person_visits <- person_visits[order(person_visits$date),]

    #For each visit count the # of clicks of the visit + all visits within visit's date + 30 days
    for(i in 1:nrow(person_visits))
    {
        search_interval <- interval( person_visits$date[i] , person_visits$date[i]+days(30)) 

        #####This is the interesting codeline#####
        calc_result <- sum(person_visits$clicks[person_visits$date %within% search_interval])** 
        ##########################################

        #save the clicks + 30 days
        visits[rownames(person_visits)[i],"clicks_30days"] <- calc_result
    }

}

Algo más rápido que esto es realmente muy apreciado.

r performance loops dataframe optimization
4
codeleger 10 may. 2019 a las 16:03

4 respuestas

La mejor respuesta

Un enfoque data.table usando uniones no equi:

library(data.table)
setDT(visits)[, clicks_30days :=
    visits[.(person_id=person_id, start=date, end=date+30L),
        on=.(person_id, date>=start, date<=end), sum(clicks), by=.EACHI]$V1
]

Salida:

   person_id       date clicks clicks_30days
1:         1 2017-05-04      4             4
2:         1 2018-05-04      1             8
3:         1 2016-02-04      5             5
4:         1 2018-05-06      7             7
5:         2 2018-05-04      8             9
6:         2 2018-05-16      1             1
7:         2 2018-01-04      1             1
8:         2 2018-02-04      2             2

Código de tiempo:

library(data.table)
set.seed(0L)
npers <- 15e3L
ndates <- 150L
visits <- data.frame(person_id=rep(1L:npers, each=ndates),
    date=sample(seq(Sys.Date()-5L*365L, Sys.Date(), by="1 day"), npers*ndates, TRUE),
    clicks=sample(10, npers*ndates, TRUE))
vi <- visits

mtd0 <- function() {
    visits$person_id <- as.integer(visits$person_id) # faster for integers
    unique_visitors <- unique(visits$person_id)
    # create columns as vectors (accessing elements in loop will be fast)
    r <- visits$clicks_30days2 <- 0 # result vector
    j <- 1L
    person_id <- visits$person_id
    CL <- visits$clicks
    DATE_as_int <- as.integer(visits$date) # convert dates to integers
    for (id in unique_visitors){
        x <- person_id == id # indicates current person
        dates <- DATE_as_int[x] # take dates of this person
        clicks <- CL[x] # clicks of this person
        for (i in 1:length(dates)) {
            i_date <- dates[i] # take i-th date
            ii <- i_date <= dates & dates <= i_date + 30 # test interval
            # r[x][i] <- sum(clicks[ii]) # sum
            r[j] <- sum(clicks[ii]) # faster using one index
            j <- j + 1L
        }
    }
    visits$clicks_30days2 <- r # assigne to results
    visits
}

mtd1 <- function() {
    setDT(vi)[, clicks_30days :=
        vi[.(person_id=person_id, start=date, end=date+30L),
            on=.(person_id, date>=start, date<=end), sum(clicks), by=.EACHI]$V1
    ]
}

library(microbenchmark)
microbenchmark(mtd0(), mtd1(), times=3L)

Tiempos:

Unit: seconds
   expr        min         lq       mean     median         uq        max neval cld
 mtd0() 144.847468 145.339189 146.358507 145.830910 147.114026 148.397141     3   b
 mtd1()   2.367768   2.398254   2.445058   2.428741   2.483703   2.538665     3  a
2
chinsoon12 13 may. 2019 a las 03:07 
# creation of interval for each row can be slow
# and this is not needed here

visits$person_id <- as.integer(visits$person_id) # faster for integers
unique_visitors <- unique(visits$person_id)
# create columns as vectors (accessing elements in loop will be fast)
r <- visits$clicks_30days2 <- 0 # result vector
j <- 1L
person_id <- visits$person_id
CL <- visits$clicks
DATE_as_int <- as.integer(visits$date) # convert dates to integers
for (id in unique_visitors){
  x <- person_id == id # indicates current person
  dates <- DATE_as_int[x] # take dates of this person
  clicks <- CL[x] # clicks of this person
  for (i in 1:length(dates)) {
    i_date <- dates[i] # take i-th date
    ii <- i_date <= dates & dates <= i_date + 30 # test interval
    # r[x][i] <- sum(clicks[ii]) # sum
    r[j] <- sum(clicks[ii]) # faster using one index
    j <- j + 1L
  }
}
visits$clicks_30days2 <- r # assigne to results
visits
#   person_id       date clicks clicks_30days clicks_30days2
# 1         1 2017-05-04      4             4              4
# 2         1 2018-05-04      1             8              8
# 3         1 2016-02-04      5             5              5
# 4         1 2018-05-06      7             7              7
# 5         2 2018-05-04      8             9              9
# 6         2 2018-05-16      1             1              1
# 7         2 2018-01-04      1             1              1
# 8         2 2018-02-04      2             2              2

Algunos horarios:

# running on 280000 row data set:
visits2 <- visits2[order(visits2$person_id), ]
# data need to be sorted by person_id for my approach to yield correct results

system.time(rr <- minem(visits2)) # 4.50
system.time(rr2 <- ronak(visits2)) # 25.64
1
minem 10 may. 2019 a las 15:39

Considere una suma acumulada con vapply:

visits$date30 <- visits$date + 30
visits$person_id <- as.integer(visits$person_id)

visits$clicks_30days <- vapply(1:nrow(visits), function(i) 
                with(visits, sum(clicks[(person_id == person_id[i]) &
                                        (date >= date[i] & date <= date30[i])])),
                numeric(1))
visits
#   person_id       date clicks clicks_30days     date30
# 1         1 2017-05-04      4             4 2017-06-03
# 2         1 2018-05-04      1             8 2018-06-03
# 3         1 2016-02-04      5             5 2016-03-05
# 4         1 2018-05-06      7             7 2018-06-05
# 5         2 2018-05-04      8             9 2018-06-03
# 6         2 2018-05-16      1             1 2018-06-15
# 7         2 2018-01-04      1             1 2018-02-03
# 8         2 2018-02-04      2             2 2018-03-06
0
Parfait 10 may. 2019 a las 16:38

Puede reducir y simplificar el código al agruparlo por person_id y calcular sum de clicks durante un período de 30 días para cada date.

library(tidyverse)

visits %>%
  group_by(person_id) %>%
  mutate(clicks_30days = map_dbl(date, ~sum(clicks[date >= . & 
                                            date <= (. + 30)])))

# Groups:   person_id [2]
#  person_id date       clicks clicks_30days
#      <dbl> <date>      <dbl>         <dbl>
#1         1 2017-05-04      4             4
#2         1 2018-05-04      1             8
#3         1 2016-02-04      5             5
#4         1 2018-05-06      7             7
#5         2 2018-05-04      8             9
#6         2 2018-05-16      1             1
#7         2 2018-01-04      1             1
#8         2 2018-02-04      2             2
1
Ronak Shah 10 may. 2019 a las 14:03

Preguntas relacionadas

8 ¿Cómo seleccionar filas de un DataFrame basado en valores de columna?

Preguntas vinculadas

3 R: suma acumulativa sobre el rango de fechas sucesivas
4 Suma acumulativa en una ventana (o suma de ventana en ejecución) basada en una condición en R

Nuevas preguntas

3 Mutar nueva variable por condición
2 Cómo crear una nueva columna basada en dos IDS coincidentes de dataframe de diferente longitud en R
3 Bucle que solo genera la última iteración de datos en R
2 valor de retorno de la instrucción if en r
2 Cómo asignar valores en una columna a otras columnas en datos amplios usando R
2 Calcular probabilidades condicionales para variables ficticias en R
2 Usar dplyr para verificar los valores de varias filas que cumplen una condición (excepto todas las filas donde la columna de fecha cae en un período específico)
2 Evite las NA al intersectar la matriz
2 Multiplica ciertos elementos de un vector en R
2 Trazar los resultados del árbol de decisión de tidymodels
Nuevas preguntas con la etiqueta r >

r

R es un entorno de software y lenguaje de programación gratuito y de código abierto para computación estadística, bioinformática, visualización y computación general. Proporcione ejemplos mínimos y reproducibles junto con la salida deseada. Use `dput ()` para los datos y especifique todos los paquetes no base con llamadas a `library ()`. No incruste imágenes para datos o código, use bloques de código sangrado en su lugar. Para preguntas relacionadas con estadísticas, use https://stats.stackexchange.com.

r...