2016-09-01 9 views
2

私は大規模なdata.table(250万行)の銀行間ローンに取り組んでいます。ここでは最初の20の抽出物である:大規模なdata.tableのためのRのループのためにこれを最適化する方法

> dput(head(clean,20)) 
structure(list(time = c(4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 3L, 4L, 
4L, 4L, 1L, 2L, 3L, 4L, 3L, 4L, 4L, 4L), bal = structure(c(2L, 
4L, 4L, 4L, 4L, 4L, 3L, 3L, 9L, 4L, 2L, 3L, 3L, 3L, 3L, 2L, 4L, 
5L, 2L, 15L), .Label = c("32001", "32002", "32003", "32004", 
"32005", "32006", "32007", "32008", "32009", "32010", "32201", 
"32202", "32203", "32204", "32205", "32206", "32207", "32208", 
"32209", "32210"), class = "factor"), lender = c(2003L, 2547L, 
2547L, 574L, 574L, 574L, 2984L, 3015L, 812L, 3278L, 3124L, 3124L, 
41L, 354L, 3156L, 3156L, 735L, 735L, 1421L, 3319L), borrower = c(2285L, 
2285L, 2285L, 2285L, 2285L, 2285L, 2285L, 2285L, 269L, 2839L, 
2839L, 2839L, 2839L, 2897L, 2399L, 2399L, 1816L, 1816L, 2476L, 
3033L), obm = c(0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 
0, 0, 0, 0, 0), obd = c(1, 0.3, 0.2, 0.35, 0.7, 0.5, 0.4, 1.2, 
4, 0.16, 4, 4, 0.5, 0.1, 1.4, 1.4, 4, 1, 3.25, 0.4), obk = c(1, 
0, 0, 0, 0, 0, 0, 0.5, 0, 0, 0, 4, 0.5, 0.1, 0, 0, 0, 0, 3.25, 
0), oem = c(0, 0.3, 0.2, 0.35, 0.7, 0.5, 0.4, 0.7, 4, 0.16, 4, 
0, 0, 0, 1.4, 1.4, 4, 1, 0, 0.4), r = c(35, 63, 63, 63, 63, 63, 
60, 60, 3, 55, 25, 12, 34, 0, 5, 4, 60, 60, 60, 35), type = structure(c(1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 2L), .Label = c("loan", "deposit"), class = "factor"), 
    term = structure(c(2L, 4L, 4L, 4L, 4L, 4L, 3L, 3L, 9L, 4L, 
    2L, 3L, 3L, 3L, 3L, 2L, 4L, 5L, 2L, 5L), .Label = c("overdraft", 
    "<1d", "2-7d", "8-30d", "31-90d", "91-180d", "0.5-1y", "1-3y", 
    ">3y", "demand"), class = "factor"), reported = structure(c(10561, 
    10561, 10561, 10561, 10561, 10561, 10561, 10561, 10531, 10561, 
    10561, 10561, 10470, 10500, 10531, 10561, 10531, 10561, 10561, 
    10561), class = "Date"), issued = structure(c(10542, 10543.5, 
    10550, 10556.5, 10553.5, 10555.5, 10558, 10558, 10515, 10557.5, 
    10560, 10555, 10465, 10488, 10527, 10560, 10515.5, 10545.5, 
    10541, 10544), class = "Date"), issued_radius = c(0, 10.5, 
    10, 3.5, 6.5, 4.5, 2, 2, 15, 2.5, 0, 2, 2, 2, 2, 0, 10.5, 
    14.5, 0, 13), due = structure(c(10543, 10563, 10570, 10583, 
    10577, 10581, 10563, 10563, 11966, 10585, 10561, 10560, 10470, 
    10493, 10532, 10561, 10535, 10611, 10542, 10589), class = "Date"), 
    month = c(4, 4, 4, 4, 4, 4, 4, 4, 3, 4, 4, 4, 1, 2, 3, 4, 
    3, 4, 4, 4), week = c(14, 14, 15, 16, 16, 16, 17, 17, 10, 
    16, 17, 16, 3, 7, 12, 17, 10, 15, 14, 15)), .Names = c("time", 
"bal", "lender", "borrower", "obm", "obd", "obk", "oem", "r", 
"type", "term", "reported", "issued", "issued_radius", "due", 
"month", "week"), class = c("data.table", "data.frame"), row.names = c(NA, 
-20L), .internal.selfref = <pointer: 0x2960818>) 

cleanへの関心の3つの列がissuedissued_radiusweekですが、彼らは、ループの業績に影響を与えるので、私はすべての列が含まれています。

すべての行は、の発行のDateを見積もりたいローンを表しています。この発行日は[issued - issued_radius,issued + issued_radius]の間にある。この間隔は、1日間、または数週間(最大1ヶ月、または最大5週間)に及ぶ可能性があります。このコードはこの間隔を生成し、オフセット日付から何週間が間隔に含まれるかを数えます。これらの週のそれぞれには、オーバーラップと一致するウェイトが割り当てられます。たとえば、cleanの1つのローンは、インターバルから派生した17週目と18週目に発行され、patchで2つのローンに展開され、ローンのボリューム(列oem,など)はこのウェイトでスケーリングされます。

library(data.table) 

START_DATE = as.Date("1998-8-1") 

elapsed_weeks <- function(t, start_date) { 
    as.numeric(floor(difftime(t, start_date, units="weeks"))) 
} 

#load("clean.Rda") 

# One-day intervals can be added to our result immediately 
patch = clean[issued_radius==0] 
clean = clean[issued_radius!=0] 

N = nrow(clean) 
write_index = nrow(patch)+1 

# Allocate space in patch. 
dummy = data.table(time = rep(0, N*5)) 
patch = rbindlist(list(patch, dummy), use.names = TRUE, fill= TRUE) 

for (k in 1:N) { 
    entry = clean[k] 

    # Recover Date interval [i, j]. 
    i = entry$issued - entry$issued_radius 
    j = entry$issued + entry$issued_radius 

    # Generate sequence of days in the interval and 
    # map each day to a weeknumber, counting the frequencies. 
    x = seq.Date(i, j, by="day") 
    T = table(elapsed_weeks(x, START_DATE)) 

    for (name in names(T)) { # can this be vectorized? 
    week_number = as.numeric(name) 
    week_weight = as.numeric(T[name])/length(x) 

    new_entry = entry 

    new_entry$week = week_number 
    new_entry$obm = entry$obm * week_weight 
    new_entry$obd = entry$obd * week_weight 
    new_entry$obk = entry$obk * week_weight 
    new_entry$oem = entry$oem * week_weight 

    patch[write_index] = new_entry 

    write_index = write_index + 1 
    } 
} 

# Delete unused allocated rows. 
patch = patch[!is.na(type)] 

print(nrow(patch)/nrow(clean)) # < 5 

edit 2:別の例を追加する。このローンの

> clean[2] 
    time bal lender borrower obm obd obk oem r type term reported  issued issued_radius  due 
1: 4 32004 2547  2285 0 0.3 0 0.3 63 loan 8-30d 1998-12-01 1998-11-13   10.5 1998-12-03 
    month week 
1:  4 14 

、それは[1998-11-31998-11-24]で任意の日に発行することができます。この期間中毎日は、それがSTART_DATEからオフセットされた週数にマッピングされている:

> x 
[1] "1998-11-03" "1998-11-04" "1998-11-05" "1998-11-06" "1998-11-07" "1998-11-08" "1998-11-09" "1998-11-10" 
[9] "1998-11-11" "1998-11-12" "1998-11-13" "1998-11-14" "1998-11-15" "1998-11-16" "1998-11-17" "1998-11-18" 
[17] "1998-11-19" "1998-11-20" "1998-11-21" "1998-11-22" "1998-11-23" "1998-11-24" 
> elapsed_weeks(x, START_DATE) 
[1] 13 13 13 13 14 14 14 14 14 14 14 15 15 15 15 15 15 15 16 16 16 16 

今、私たちはローンの発行の可能な各週の重量を推定する周波数テーブルを作ります。

> table(elapsed_weeks(x, START_DATE)) 

13 14 15 16 
4 7 7 4 

したがって、この融資はweek列{13、14、15、16}とのローンの中に展開されるであろう。この貸出金の金額は、可能な週単位のオフセットの頻度ウェイトでスケーリングされます。

> table(elapsed_weeks(x, START_DATE))/length(x) 

     13  14  15  16 
0.1818182 0.3181818 0.3181818 0.1818182 

したがって、私たちはこのように見ているpatchで終わる:

> patch 
    time bal lender borrower obm  obd obk  oem r type term reported  issued 
1: 4 32004 2547  2285 0 0.05454545 0 0.05454545 63 loan 8-30d 1998-12-01 1998-11-13 
2: 4 32004 2547  2285 0 0.09545455 0 0.09545455 63 loan 8-30d 1998-12-01 1998-11-13 
3: 4 32004 2547  2285 0 0.09545455 0 0.09545455 63 loan 8-30d 1998-12-01 1998-11-13 
4: 4 32004 2547  2285 0 0.05454545 0 0.05454545 63 loan 8-30d 1998-12-01 1998-11-13 
    issued_radius  due month week 
1:   10.5 1998-12-03  4 13 
2:   10.5 1998-12-03  4 14 
3:   10.5 1998-12-03  4 15 
4:   10.5 1998-12-03  4 16 

私はすでに@デビッド(How to speed up rbind?)にはいくつかの最適化のおかげでしたが、結果はまだ非常に遅いです。毎晩10時間の計算後、私はcleanデータテーブルの4%を処理しました。

だから私の質問です:どのように私はこのループを大きなdata.tableにスケールすることができますか?

ありがとうございます。

編集:Rバージョン3.3.1(2016-06-21)。

+0

サンプル入力に期待される出力を追加できますか?私はあなたがどこに行くのかを確かめるために遠いです。 – Tensibai

+0

親愛なる@天使、あなたの興味に感謝します。サンプルの入力と予想される出力をいくつかのコメントとともに追加しました。 – marnix

+0

*このループを大規模なdata.tableに拡大するには?* - ループを削除する: – jangorecki

答えて

5

私があなたの説明を正しく理解していれば、data.tableでoverlaps joinを使用する必要があります。

#define start and end dates, 
#fractional days could be an issue here, but I have not checked that further 
DT[, c("start", "end") := .(issued - issued_radius, issued + issued_radius)] 
#create an ID 
DT[, id := .I] 

#create a data.table with start of week and end of week for whole year 
weeks <- data.table(date = seq(as.Date("1998-01-01"), as.Date("1998-12-31"), by = "1 day")) 
weeks[, week := week(date)] 
weeks <- weeks[, .(start = min(date), end = max(date)), by = week] 
setkey(weeks, start, end) 

#now an overlaps join 
DT1 <- foverlaps(DT, weeks) 
#calculate number of days in each week, 
#special handling of last and first week of year might be necessary here 
DT1[, overlap := 7 - (i.start > start) * (i.start - start) - (i.end < end) * (end - i.end)] 
#calculate weights 
DT1[, weight := as.numeric(overlap)/sum(as.numeric(overlap)), by = id] 
#apply weights 
DT1[, c("obm_w", "obd_w", "obk_w", "oem_w") := lapply(.SD, function(x) x * DT1[["weight"]]), 
    .SDcols = c("obm", "obd", "obk", "oem")] 

必要に応じて調整してください。必要に応じて調整してください。

+0

親愛なる@Roland、私はあなたの答えから多くを学びました。ところで、それは30秒で仕事をしました。ありがとう! – marnix

+0

@marnix *「夜間の10時間の計算で、4%を処理しました」*「100%のために30秒」* - 正しく読みますか? – jangorecki

+1

@jangorecki data.tableはちょうど素晴らしいですね。 – Roland

関連する問題