上班时间，我弄这个，可见我有多无聊。 :D
我来瞎掰掰。。。。。。。
元素数>>列表总数据量/列表长度
转完整宽表是不适合的，所以才问他这三个指标。
我想说的是，在空间和时间之间我们是有一定选择权的：
分块转宽表，是这样一种方法：
元素10000个，我计算时200个元素构建一张宽表,（形成50张小表）。此时，进行压缩，若数据是稀疏的，即（元素数>>列表总数据量/列表长度），每张小表，存在大量的全false行，删除这些false行数据。每张小宽表的数据量会急剧减小。
极端情况下。
若是每个元素一张表，10000张表，每张表一列，删除每张表false值，就是长表（数据量级与长表相同）。
若是所有元素一张表，1张表，表10000列数，就是宽表(数据量级与款表相同)
并不一定要极端的选择长表或宽表
这简单的分块方法是长表与宽表计算的折中方案，而且适用于并行计算。
单核同配置计算来说。
表数越多，时间越长，内存占用越低。
表数越少，时间越短，内存占用越高。
直接循环计算比较快。
直接循环计算unlist(dm)和表，成一张表比较好。
他提到unlist(dm)内存不足（无法转化为一张表）。可以将dm分成数张表（仅仅分表，并不是转化为宽表），分别计算各部分元素数求和，之后将各部分加在一起。
按照他给的数量级。使用3楼方法，我模拟了下长表数据量100M左右，不需要分表。
列表长度：百万 （几十万）
列表总数据量：千万（百万以上）
元素种类数：2万（1万左右）
以下是直接循环长表的方法
length <- sample(1:20, 1000000, replace=T)
dm <- vector("list", 1000000)
for (i in 1:1000000){
dm[[i]] <- sample(1:20000, length[i], replace=T)
}
where <- rep(1:length(dm), times=length)
what <- unlist(dm)
where1<-where
what1<-what
while(length(what1)!=0){
#找出最大的元素
max<-which.max(table(what1))
print(names(max))
flag<-!where1%in%unique(where1[what1==names(max)[1]])
where1<-where1[flag]
what1<-what1[flag]
}
已经跑了快1个半小时了，还没跑完，20000个已经筛到300多个元素了，会越筛越快，瞎估计要算3~5小时左右：
PID USER PR NI VIRT RES SHR S %CPU %MEM TIME+ COMMAND
22704 Rstudio 20 0 1734m 1.2g 11m R 99.8 31.7 80:57.84 rsession
