R中的应用函数导致内存分配错误

我试图对R中数据帧的每一行进行计算，并将计算作为新列附加到帧中。我开始使用“by”函数，但计算速度非常慢，所以我改为使用“apply”函数。我想象它的工作方式是使用我的函数运行apply，将输出保存到变量，并将该数据附加到原始数据帧

我创建了一个函数来计算保险计划的期限长度并返回该值，该函数在样本数据集上运行良好。当我使用较大的数据集时，我得到一个错误“无法分配大小的向量…”。我知道很多人建议增加RAM，但我已经有16GB的内存，而且整个数据集都加载在R中，我的电脑说它只使用了7.7GB的内存。数据集有44列，记录约1100万条，所以我不知道再添加一列数据会占用8GB的内存

在正确的方向上的任何一点都是很好的

---

以下是我正在使用的函数：

get_term_length <- function(row_data){

    # convert values to dates
    expiration_date <- as.Date( row_data[42] )
    start_date <- as.Date( row_data[43] )
    cancellation_date <- as.Date( row_data[44] )

    # check to see if the cancellation date is NA - just use entire policy length
    if( is.na(cancellation_date) ){
        return( expiration_date - start_date) )
    }

    # check to see if policy was cancelled early
    if(cancellation_date < expiration_date){
        return( cancellation_date - start_date )
    }

    # the policy was for the entire term
    else{
        return( expiration_date - start_date )
    }

}

get_term_length经验法则是，您需要的连续RAM至少是您正在使用的最大对象的3倍，因此您可能需要更频繁地重新启动，并限制系统上其他正在运行的应用程序的数量。我对我的32 GB硬件相当满意，并且正在基于5-6 GB大小的数据对象建立回归模型

（我通常也对添加一列数据所需的时间感到不满，因此我有时会创建“外部”或“并行”向量，通常使用ave（）函数进行表操作。或者我使用数据的子集（）-s。）R专家们目前正在处理这一问题，但还没有公布解决方案。Matthew Dowle开发了“data.table”包来解决它（而且速度非常快），代价是“[”操作需要不同的语义

您可以在此处找到其他讨论内存需求的帖子。最常被投票的帖子可能是：
.我有点惊讶，答案中没有提到data.table包

编辑：我看到了您接受的答案（这实际上是处理数据子集的一个实例），但我认为这与您之前得到的结果不同。要获得该结果，您需要以下内容：

tmp <- with(policy_data, 
          ifelse( is.na(cancellation_date), expiration_date - start_date , # else
            pmin(as.Date(cancellation_date)-as.Date(start_date),
                 as.Date(expiration_date)-as.Date(start_date)
                 ))

tmp经验法则您需要的连续RAM至少是您正在使用的最大对象的3倍，因此您可能需要更频繁地重新启动，并限制系统上其他正在运行的应用程序的数量。我对我的32 GB硬件相当满意，并且正在基于5-6 GB的数据对象建立回归模型n码

（我通常也不满意添加一列数据所需的时间，因此我有时会创建“外部”或“并行”向量，通常使用ave（）函数进行表操作。或者我使用数据的子集（）R大师正在研究这个问题，但目前还没有公布解决方案。Matthew Dowle开发了“data.table”包来解决这个问题（而且速度非常快），代价是“[”操作需要不同的语义

您可以在此处找到其他讨论内存需求的帖子。最常被投票的帖子可能是：
.我有点惊讶，答案中没有提到data.table包

编辑：我看到了您接受的答案（这实际上是处理数据子集的一个实例），但我认为这与您之前得到的结果不同。要获得该结果，您需要以下内容：

tmp <- with(policy_data, 
          ifelse( is.na(cancellation_date), expiration_date - start_date , # else
            pmin(as.Date(cancellation_date)-as.Date(start_date),
                 as.Date(expiration_date)-as.Date(start_date)
                 ))

tmp看起来不需要整个data.frame。只需提取所需的3列，就可以恢复大部分内存

tmp <- with(policy_data, 
            pmin(as.Date(cancellation_date)-as.Date(start_date),
                 as.Date(expiration_date)-as.Date(start_date),
                 na.rm=TRUE))

tmp看起来不需要整个data.frame。只需提取所需的3列，就可以恢复大部分内存

tmp <- with(policy_data, 
            pmin(as.Date(cancellation_date)-as.Date(start_date),
                 as.Date(expiration_date)-as.Date(start_date),
                 na.rm=TRUE))

tmpA
data.table
如@Dwin所暗示的解决方案

 library(data.table)
 policy_data <- as.data.table(policy_data)

  # set the date  columns to be  IDate (the exact form of this will depend
  # on the format they are currently in

  policy_data[, cancellation_date := as.IDate(cancellation_date)]
  policy_data[, start_date := as.IDate(start_date)]
  policy_data[, end_date := as.IDate(end_date)]
  # create a column which is an indicator for NA 

  policy_data[, isna := is.na(cancellation_date)]


  setkey(policy_data, isna)

  policy_data[J(TRUE), tmp := expiration_date - start_date]
  policy_data[J(FALSE), tmp := pmin(cancellation_date - start_date, expiration_date-start_date)]   

库（data.table）
政策数据A
data.table
如@Dwin所暗示的解决方案

 library(data.table)
 policy_data <- as.data.table(policy_data)

  # set the date  columns to be  IDate (the exact form of this will depend
  # on the format they are currently in

  policy_data[, cancellation_date := as.IDate(cancellation_date)]
  policy_data[, start_date := as.IDate(start_date)]
  policy_data[, end_date := as.IDate(end_date)]
  # create a column which is an indicator for NA 

  policy_data[, isna := is.na(cancellation_date)]


  setkey(policy_data, isna)

  policy_data[J(TRUE), tmp := expiration_date - start_date]
  policy_data[J(FALSE), tmp := pmin(cancellation_date - start_date, expiration_date-start_date)]   

库（data.table）
策略数据查看
data.table
和操作符
：=
（例如，使用标记
[r]
和
[data.table]
搜索SO）它的要点是：R本质上是一种函数式语言->一般来说，函数不会就地修改对象->修改你说的7.7Gb数据帧？当然！我会准备一份副本来处理！->你现在已经填充了超过15Gb的空间。砰！（专家们，请不要吹毛求疵！我保持基本。）感谢joran的解释；这很有意义。我假设apply只会将row对象的副本传递给函数，但我猜不会。根本问题可能是您熟悉SAS或SPSS的IF函数的隐式循环。R IF（）函数不执行循环操作，因此您需要使用ifelse（）。查看
数据.表格
和运算符
：=
（例如，使用标记
[r]
和
[data.table]
搜索SO）它的要点是：R本质上是一种函数式语言->一般来说，函数不会就地修改对象->修改你说的7.7Gb数据帧？当然！我会准备一份副本来处理！->你现在已经填充了超过15Gb的空间。砰！（专家们，请不要吹毛求疵！我保持基本。）感谢joran的解释；这很有意义。我假设apply只会将row对象的副本传递给函数，但我猜不会。根本问题可能是您熟悉SAS或SPSS的IF函数的隐式循环。R IF（）函数不执行循环操作，因此您需要使用ifelse（）。这也将加快数百倍。这非常有效！它运行速度超快，处理整个数据集的速度比使用函数的示例集快