查找匹配并追加到data.frame的更快方法？

Question

我有代码工作。但速度很慢，我希望能够加快速度，这样我就可以扩展到几十万个观察值的数据集。

我有两个数据帧，其中一个我使用data.table包转换为data.table包以便快速查找和连接。当3个字段与第二个数据集中的记录相匹配时，我想记录一个数据集中的记录。

Original.df（数据框）和LookHereForMatches.dt（带有a1，a2，a3上的键的data.table）。 Original.df将有10万到30万的观察值，LookHereForMatches.dt可能会是2倍。

我循环遍历Original.df中的每个观察值，并在LookHereForMatches.dt中查找与某些条件匹配的观察值。我需要从LookHereForMatches.dt中的几个字段和来自Original.df的几个字段。我使用subset（）来获得我想要的列。

也许有人可以告诉我，我的代码的哪一部分是最差/最慢的。我必须相信它是rbind（cbind（））的一部分。似乎并不是这样做的正确方法。

matched_data.df <- data.frame() 
for(i in 1:nrow(Original.df)){ 
    a1 <- Original.df$col1 
    a2 <- Original.df$col2 
    a3 <- Original.df$col3 
    # Use data.table library "join" functionality to get matches (will find at least 1 and up to 4 matches, usually only 1 or 2) 
    match.df <- data.frame(LookHereForMatches.dt[J(a1, a2, a3)], stringsAsFactors=FALSE) 

    # combine matches with original data and add to data.frame to create big list of data with matches 
    matched_data.df <- rbind(cbind(match.df, Original.df[i,], stringsAsFactors=FALSE), matched_data.df) 
} 

UPDATE

这里是大致的数据是什么样子。 （显然是R和StackExchange上的新手 我会弄清楚如何使表更漂亮并回来解决这个问题。 感谢@joran修复我的表。）表是非常基本的东西。我只想查找第一个表中的每一行，并将其与第一个表a1，a2和a3中所有适当的行进行匹配。在该示例中，来自Original.df的第一行应该与返回3行的LookHereForMatches.dt表中的行1，行2和行3配对。

Original.df <- read.table(textConnection(' 
a1 a2 a3 text.field numeric.field 
123 abc 2011-12-01 "some text" 1.0 
124 abc 2011-11-12 "some other text" 0.1 
125 bcd 2011-12-01 "more text" 1.2 
'), header=TRUE) 

LookHereForMatches.df <- read.table(textConnection(' 
a1 a2 a3 text.field numeric.field Status_Ind 
123 abc 2011-12-01 "some text" 10.5 0 
123 abc 2011-12-01 "different text" 0.1 1 
123 abc 2011-12-01 "more text" 0.1 1 
125 bcd 2011-12-01 "other text" 4.3 0 
125 bcd 2011-12-01 "text"  2.2 0 
'), header=TRUE) 

LookHereForMatches.dt <- data.table(LookHereForMatches.df, key=c("a1","a2","a3")) 

Answer 1

听起来像merge会做你想要的;详情请参阅?merge。

> merge(Original.df, LookHereForMatches.df, by=c("a1","a2","a3")) 
    a1 a2   a3 text.field.x numeric.field.x text.field.y 
1 123 abc 2011-12-01 some text    1.0  some text 
2 123 abc 2011-12-01 some text    1.0 different text 
3 123 abc 2011-12-01 some text    1.0  more text 
4 125 bcd 2011-12-01 more text    1.2  other text 
5 125 bcd 2011-12-01 more text    1.2   text 
    numeric.field.y Status_Ind 
1   10.5   0 
2    0.1   1 
3    0.1   1 
4    4.3   0 
5    2.2   0 

如果你想要更多的控制，它的使用match幕后，这样的事情：

a <- with(Original.df, paste(a1, a2, a3, sep="\b")) 
b <- with(LookHereForMatches.df, paste(a1, a2, a3, sep="\b")) 
m <- match(b, a) 
cbind(Original.df[m,], LookHereForMatches.df) 

又找了all选项来控制什么时候的事不同时出现它数据集。

merge(Original.df, LookHereForMatches.df, by=c("a1","a2","a3"), all=TRUE) 

至于处理大型数据集的速度，你可以通过使用data.table但在每个1E5和3E5行得到一些加速（如下图），我的系统上，合并只需要2.6秒和匹配和只需要1.5秒。

set.seed(5) 
N <- 1e5 
Original.df <- data.frame(a1=1:N, a2=1, a3=1, text1=paste("hi",1:N)) 
LookHereForMatches.df <- data.frame(a1=sample(1:N, 3*N, replace=TRUE), 
            a2=1, a3=1, text2=paste("hi", 1:(3*N)))