Как переписать команду «sapply» для увеличения производительности?

Question

У меня есть data.frame с именем "d" ~ 1300000 строк и 4 столбцов и еще один data.frame с именем "gc" ~ 12000 строк и 2 столбцов (но см. Меньший пример ниже).

d <- data.frame( gene=rep(c("a","b","c"),4), val=rnorm(12), ind=c( rep(rep("i1",3),2), rep(rep("i2",3),2) ), exp=c( rep("e1",3), rep("e2",3), rep("e1",3), rep("e2",3) ) )
gc <- data.frame( gene=c("a","b","c"), chr=c("c1","c2","c3") )

Вот как выглядит "d":

   gene         val ind exp
1     a  1.38711902  i1  e1
2     b -0.25578496  i1  e1
3     c  0.49331256  i1  e1
4     a -1.38015272  i1  e2
5     b  1.46779219  i1  e2
6     c -0.84946320  i1  e2
7     a  0.01188061  i2  e1
8     b -0.13225808  i2  e1
9     c  0.16508404  i2  e1
10    a  0.70949804  i2  e2
11    b -0.64950167  i2  e2
12    c  0.12472479  i2  e2

А вот "gc":

  gene chr
1    a  c1
2    b  c2
3    c  c3

Я хочу добавить 5-й столбец к «d», включив данные из «gc», которые соответствуют 1-му столбцу «d». На данный момент я использую sapply .

d$chr <- sapply( 1:nrow(d), function(x) gc[ gc$gene==d[x,1], ]$chr )

Но на реальных данных это занимает «очень много» времени (я запускаю команду с «system.time ()» более 30 минут, и она все еще не завершена).

У вас есть идея, как я мог бы переписать это умным способом? Или я должен рассмотреть возможность использования plyr , возможно, с параметром «параллельный» (у меня на компьютере четыре ядра)? В таком случае, какой будет лучший синтаксис?

Заранее спасибо.

Answer 1

Я думаю, вы можете просто использовать коэффициент в качестве индекса:

gc[ d[,1], 2]
 [1] c1 c2 c3 c1 c2 c3 c1 c2 c3 c1 c2 c3
Levels: c1 c2 c3

делает так же, как:

 sapply( 1:nrow(d), function(x) gc[ gc$gene==d[x,1], ]$chr )
 [1] c1 c2 c3 c1 c2 c3 c1 c2 c3 c1 c2 c3
Levels: c1 c2 c3

Но намного быстрее:

> system.time(replicate(1000,sapply( 1:nrow(d), function(x) gc[ gc$gene==d[x,1], ]$chr )))
   user  system elapsed 
   5.03    0.00    5.02 
> 
> system.time(replicate(1000,gc[ d[,1], 2]))
   user  system elapsed 
   0.12    0.00    0.13 

---

Edit:

Чтобы немного расширить мой комментарий. Для gc кадра данных требуется одна строка для каждого уровня gene в порядке уровней, чтобы это работало:

 d <- data.frame( gene=rep(c("a","b","c"),4), val=rnorm(12), ind=c( rep(rep("i1",3),2), rep(rep("i2",3),2) ), exp=c( rep("e1",3), rep("e2",3), rep("e1",3), rep("e2",3) ) )
gc <- data.frame( gene=c("c","a","b"), chr=c("c1","c2","c3") )

gc[ d[,1], 2]
 [1] c1 c2 c3 c1 c2 c3 c1 c2 c3 c1 c2 c3
Levels: c1 c2 c3

sapply( 1:nrow(d), function(x) gc[ gc$gene==d[x,1], ]$chr )
 [1] c2 c3 c1 c2 c3 c1 c2 c3 c1 c2 c3 c1
Levels: c1 c2 c3

Но это не сложно исправить:

levels(gc$gene) <- levels(d$gene) # Seems redundant as this is done right quite often automatically
gc <- gc[order(gc$gene),]


gc[ d[,1], 2]
 [1] c2 c3 c1 c2 c3 c1 c2 c3 c1 c2 c3 c1
Levels: c1 c2 c3

sapply( 1:nrow(d), function(x) gc[ gc$gene==d[x,1], ]$chr )
 [1] c2 c3 c1 c2 c3 c1 c2 c3 c1 c2 c3 c1
Levels: c1 c2 c3

Answer 2

Альтернативное решение, которое не побеждает подход Саши по времени, но является более обобщенным и читаемым, состоит в простом merge двух кадрах данных:

d <- merge(d, gc)

У меня более медленная система, поэтому вот мои настройки:

> system.time(replicate(1000,sapply( 1:nrow(d), function(x) gc[ gc$gene==d[x,1], ]$chr )))
   user  system elapsed 
  11.22    0.12   11.86 
> system.time(replicate(1000,gc[ d[,1], 2])) 
   user  system elapsed 
   0.34    0.00    0.35 
> system.time(replicate(1000, merge(d, gc, by="gene"))) 
   user  system elapsed 
   3.35    0.02    3.40 

Преимущество заключается в том, что у вас может быть несколько ключей, точный контроль над несовпадающими элементами и т. Д.