我在R中有两个data.table
:
> tables()
NAME NROW MB COLS KEY
[1,] dtb 2,536,206 68 dte,permno,capm_beta,mkt_beta_bucket permno,dte
[2,] idx_dtb 573 1 dte dte
[3,] ssd_dtb 58,808,208 1571 dte,permno,xs_ret,mkt_cap permno,dte
Total: 1,640MB
我想进行右外连接:select * from dtb right join ssd_dtb using (permno, dte)
data.table
中的等效命令如下:
mdtb <- dtb[ssd_dtb]
到目前为止,运行时间已经约为20分钟。这似乎有点长,因为在SQL服务器上通常需要更少的时间才能运行。我是否没有正确使用该软件包?
问题回答后的编辑:
我认为了解为什么我必须执行dtb [ssd_dtb]
而不是ssd_dtb [dtb]
可能会有所帮助。我设计了一个简单的示例:
> x <- data.table(id=1:5, t=1:15, v=1:15)
> x
id t v
1: 1 1 1
2: 2 2 2
3: 3 3 3
4: 4 4 4
5: 5 5 5
6: 1 6 6
7: 2 7 7
8: 3 8 8
9: 4 9 9
10: 5 10 10
11: 1 11 11
12: 2 12 12
13: 3 13 13
14: 4 14 14
15: 5 15 15
> y <- data.table(id=c(1,1,2,3), t=c(1,2,6,13), v2=41:44)
> y
id t v2
1: 1 1 41
2: 1 2 42
3: 2 6 43
4: 3 13 44
> x[y]
id t v v2
1: 1 1 1 41
2: 1 2 NA 42
3: 2 6 NA 43
4: 3 13 13 44
> x[y, nomatch=0]
id t v v2
1: 1 1 1 41
2: 3 13 13 44
> y[x]
id t v2 v
1: 1 1 41 1
2: 1 6 NA 6
3: 1 11 NA 11
4: 2 2 NA 2
5: 2 7 NA 7
6: 2 12 NA 12
7: 3 3 NA 3
8: 3 8 NA 8
9: 3 13 44 13
10: 4 4 NA 4
11: 4 9 NA 9
12: 4 14 NA 14
13: 5 5 NA 5
14: 5 10 NA 10
15: 5 15 NA 15
> y[x, nomatch=0]
id t v2 v
1: 1 1 41 1
2: 3 13 44 13
编辑2:解决方案1的输出如下:
> Rprof() > mdtb Rprof(NULL) > summaryRprof() $by.self self.time self.pct total.time total.pct "[.data.table" 15.36 62.39 24.62 100.00 ".Call" 7.96 32.33 7.96 32.33 "pmin" 0.92 3.74 1.16 4.71 "list" 0.24 0.97 0.24 0.97 "vector" 0.14 0.57 0.14 0.57 $by.total total.time total.pct self.time self.pct "[.data.table" 24.62 100.00 15.36 62.39 "[" 24.62 100.00 0.00 0.00 ".Call" 7.96 32.33 7.96 32.33 "pmin" 1.16 4.71 0.92 3.74 "list" 0.24 0.97 0.24 0.97 "vector" 0.14 0.57 0.14 0.57 "integer" 0.14 0.57 0.00 0.00 $sample.interval [1] 0.02 $sampling.time [1] 24.62(注:以上为IT技术相关内容,涉及R语言编程)
data.table
包在R中编写的代码... - Alex