如何解决n_distinct是对磁盘帧的精确计算吗?
我正在大文件(> 30GB)上运行n_distinct,它似乎无法产生确切的结果。
它在文档中提到n_distinct是精确的计算,而不是估计。
是吗?
解决方法
n_distinct
的实现可以在此页面https://github.com/xiaodaigh/disk.frame/blob/master/R/one-stage-verbs.R
#' @export
#' @rdname one-stage-group-by-verbs
n_distinct_df.chunk_agg.disk.frame <- function(x,na.rm = FALSE,...) {
if(na.rm) {
setdiff(unique(x),NA)
} else {
unique(x)
}
}
#' @export
#' @importFrom dplyr n_distinct
#' @rdname one-stage-group-by-verbs
n_distinct_df.collected_agg.disk.frame <- function(listx,...) {
n_distinct(unlist(listx))
}
现在,这似乎是我想要的精确计算。逻辑很简单,它会计算每个块中的unique
,然后在收集到所有块的结果后计算n_distinct
。
但是我不能排除其他地方是否有错误。
您有测试用例来证明它不完全是吗?也许您可以提供PR进行测试?
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。