在 R 中有效地将大型 data.frames 传递给类似 Apply 的函数

问：

这是一个关于将大型数据集传递给类似 apply 的函数时的资源和效率的问题。

例

[编辑：更改了示例和描述，以说明多个表格的使用以及每个@UWE的评论的计算步骤]

library(dplyr)
#> Warning: package 'dplyr' was built under R version 4.0.5 ...[snip]...

set.seed(10)

# Objective: Add period-cost per portion of person's selected fruit 

df.A <- data.frame(
  period = rep(1:3, times = 1, each = 4),
  Name = rep(c("John", "Paul","Ringo", "George"), times = 3),
  Fruit = sample(c("Apple", "Pear", "Banana", "Apple"), size = 12, replace = TRUE)
) # extend to many people, many periods, many fruit

df.B <- data.frame(
  Fruit = c("Pear", "Apple", "Banana"), 
  id = c(1, 2, 3),
  pound.per.portion = c(0.396832,0.440925,0.299829)
) # one entry per fruit

df.C <- data.frame(
  id = rep(1:3, times=3),
  period = rep(1:3, times = 1, each = 3),
  price.pound = c(2.33, 0.99, 2.15, 2.38, 1.01, 2.20, 2.42, 1.04, 2.25)
) # one entry per fruit per period

df.A
#>    period   Name  Fruit
#> 1       1   John Banana
#> 2       1   Paul  Apple
#> 3       1  Ringo   Pear
#> 4       1 George  Apple
#> 5       2   John  Apple
#> 6       2   Paul Banana
#> 7       2  Ringo  Apple
#> 8       2 George   Pear
#> 9       3   John Banana
#> 10      3   Paul Banana
#> 11      3  Ringo Banana
#> 12      3 George  Apple
df.B
#>    Fruit id pound.per.portion
#> 1   Pear  1          0.396832
#> 2  Apple  2          0.440925
#> 3 Banana  3          0.299829
df.C
#>   id period price.pound
#> 1  1      1        2.33
#> 2  2      1        0.99
#> 3  3      1        2.15
#> 4  1      2        2.38
#> 5  2      2        1.01
#> 6  3      2        2.20
#> 7  1      3        2.42
#> 8  2      3        1.04
#> 9  3      3        2.25

df.A$portion.price <- apply(df.A, MARGIN = 1, 
                           FUN = function(x, legend, prices){
                             # please ignore efficiency of this function
                             # the internal function is not the focus of the question
                             fruit.info <- df.B[df.B$Fruit == x[["Fruit"]],]

                             cost <- df.C %>% 
                               filter(period == x[["period"]],
                                      id == fruit.info[["id"]]) %>%
                               select(price.pound) %>%
                               `*`(fruit.info$pound.per.portion)
                             cost[[1]]
                           }, 
                           legend = df.B, prices = df.C) 
                            # Question relates to passing of legend and prices
                            # if `apply` passes df.B and df.C many times
                            # and df.B, df.C are large - is this inefficient, is there a better way

head(df.A, 5)  
#>   period   Name  Fruit portion.price
#> 1      1   John Banana     0.6446323
#> 2      1   Paul  Apple     0.4365157
#> 3      1  Ringo   Pear     0.9246186
#> 4      1 George  Apple     0.4365157
#> 5      2   John  Apple     0.4453343

^{创建于 2022-05-20 由 reprex 软件包 （v2.0.1）}

此示例中的目标是向 df 添加一列。A 显示特定人在特定时期内选择的水果的部分成本。

存在三组数据，尽管它们都没有单独提供计算所需的所有信息。

df.A包含他们选择的水果的人物、时期和名称。每个期间的每个人都有一个条目。

df.C按时期提供水果的价格信息，但价格表示为每磅价格，而不是份价格，并且数据集无法识别水果名称（仅识别 ID 号）。每个时期的每个水果都有一个条目。

df.B提供缺少的信息。首先，它定义了 ，并提供了一个将每磅成本转换为每份成本的因子。每个水果只需要一个条目。df.C$iddf.A$Name

对于每一行，将人的水果名称和周期以及两个引用集 （ 和 ） 传递给函数。该函数查找必要的信息，从中引用数据，然后使用这些信息来计算每部分的成本（返回）。df.Aapplydf.Bdf.Cdf.Bdf.C

函数本身对于这个问题并不重要，只是说明使用多个数据集来查找每行的值。

这个例子很简单（四个人，三个时期，三个水果），并且非常易于管理;但是，从理论上讲，这些数据集中的每一个都可以包含数千行。apply

讨论主题从这里开始

如果我理解正确，传递值而不是引用。我相信这意味着上面示例中的函数为每一行创建一个 和 的新副本。假设这是正确的，这感觉效率不高，尤其是在数据集很大的情况下。rapplydf.Bdf.Cdf.A

在使用大型数据集时，有没有比这种查找/处理更好的解决方案？apply

我知道函数可以使用引用而不是值。是否会构建一个仅使用引用的自定义函数，或者是否有标准的现成方法？rcpprccpapply