performance - 在 R 中合并/连接 data.frames 的最快方法是什么？

Question

例如(但不确定是否最具代表性):

N <- 1e6
d1 <- data.frame(x=sample(N,N), y1=rnorm(N))
d2 <- data.frame(x=sample(N,N), y2=rnorm(N))

这是我到目前为止所得到的:

d <- merge(d1,d2)
# 7.6 sec

library(plyr)
d <- join(d1,d2)
# 2.9 sec

library(data.table)
dt1 <- data.table(d1, key="x")
dt2 <- data.table(d2, key="x")
d <- data.frame( dt1[dt2,list(x,y1,y2=dt2$y2)] )
# 4.9 sec

library(sqldf)
sqldf()
sqldf("create index ix1 on d1(x)")
sqldf("create index ix2 on d2(x)")
d <- sqldf("select * from d1 inner join d2 on d1.x=d2.x")
sqldf()
# 17.4 sec

Answer 1

当第二个数据帧中的每个键值与第一个数据帧中的每个键值对应时，匹配方法就会起作用。如果第二个数据帧中有重复项，则匹配和合并方法不同。当然，Match 的速度更快，因为它没有做太多事情。特别是它从不寻找重复的键。 (代码后继续)

DF1 = data.frame(a = c(1, 1, 2, 2), b = 1:4)
DF2 = data.frame(b = c(1, 2, 3, 3, 4), c = letters[1:5])
merge(DF1, DF2)
    b a c
  1 1 1 a
  2 2 1 b
  3 3 2 c
  4 3 2 d
  5 4 2 e
DF1$c = DF2$c[match(DF1$b, DF2$b)]
DF1$c
[1] a b c e
Levels: a b c d e

> DF1
  a b c
1 1 1 a
2 1 2 b
3 2 3 c
4 2 4 e

在问题中发布的 sqldf 代码中，看起来可能在两个表上使用了索引，但实际上，它们被放置在 sql select 运行之前被覆盖的表上，并且部分地，解释了为什么它这么慢。 sqldf 的想法是 R session 中的数据帧构成数据库，而不是 sqlite 中的表。因此，每次代码引用不合格的表名时，它都会在 R 工作区中查找，而不是在 sqlite 的主数据库中查找。因此，显示的 select 语句将 d1 和 d2 从工作区读取到 sqlite 的主数据库中，破坏带有索引的数据库。结果，它执行没有索引的连接。如果您想使用 sqlite 主数据库中的 d1 和 d2 版本，则必须将它们称为 main.d1 和 main.d2，而不是 d1 和 d2。另外，如果您想让它尽可能快地运行，请注意简单的联接不能使用两个表上的索引，因此您可以节省创建其中一个索引的时间。在下面的代码中我们说明了这些要点。

值得注意的是，精确的计算可以对哪个包最快产生巨大的影响。例如，我们在下面进行合并和聚合。我们看到两者的结果几乎相反。在第一个示例中，从最快到最慢，我们得到:data.table、plyr、merge 和 sqldf，而在第二个示例中，sqldf、aggregate、data.table 和 plyr —— 几乎与第一个示例相反。在第一个示例中，sqldf 比 data.table 慢 3 倍，在第二个示例中，它比 plyr 快 200 倍，比 data.table 快 100 倍。下面我们展示了输入代码、合并的输出时序和聚合的输出时序。还值得注意的是，sqldf 基于数据库，因此可以处理大于 R 可以处理的对象(如果使用 sqldf 的 dbname 参数)，而其他方法仅限于在主内存中处理。我们还用 sqlite 说明了 sqldf，但它也支持 H2 和 PostgreSQL 数据库。

library(plyr)
library(data.table)
library(sqldf)

set.seed(123)
N <- 1e5
d1 <- data.frame(x=sample(N,N), y1=rnorm(N))
d2 <- data.frame(x=sample(N,N), y2=rnorm(N))

g1 <- sample(1:1000, N, replace = TRUE)
g2<- sample(1:1000, N, replace = TRUE)
d <- data.frame(d1, g1, g2)

library(rbenchmark)

benchmark(replications = 1, order = "elapsed",
   merge = merge(d1, d2),
   plyr = join(d1, d2),
   data.table = { 
      dt1 <- data.table(d1, key = "x")
      dt2 <- data.table(d2, key = "x")
      data.frame( dt1[dt2,list(x,y1,y2=dt2$y2)] )
      },
   sqldf = sqldf(c("create index ix1 on d1(x)",
      "select * from main.d1 join d2 using(x)"))
)

set.seed(123)
N <- 1e5
g1 <- sample(1:1000, N, replace = TRUE)
g2<- sample(1:1000, N, replace = TRUE)
d <- data.frame(x=sample(N,N), y=rnorm(N), g1, g2)

benchmark(replications = 1, order = "elapsed",
   aggregate = aggregate(d[c("x", "y")], d[c("g1", "g2")], mean), 
   data.table = {
      dt <- data.table(d, key = "g1,g2")
      dt[, colMeans(cbind(x, y)), by = "g1,g2"]
   },
   plyr = ddply(d, .(g1, g2), summarise, avx = mean(x), avy=mean(y)),
   sqldf = sqldf(c("create index ix on d(g1, g2)",
      "select g1, g2, avg(x), avg(y) from main.d group by g1, g2"))
)

比较合并计算的两个基准调用的输出为:

Joining by: x
        test replications elapsed relative user.self sys.self user.child sys.child
3 data.table            1    0.34 1.000000      0.31     0.01         NA        NA
2       plyr            1    0.44 1.294118      0.39     0.02         NA        NA
1      merge            1    1.17 3.441176      1.10     0.04         NA        NA
4      sqldf            1    3.34 9.823529      3.24     0.04         NA        NA

比较聚合计算的基准调用的输出为:

        test replications elapsed  relative user.self sys.self user.child sys.child
4      sqldf            1    2.81  1.000000      2.73     0.02         NA        NA
1  aggregate            1   14.89  5.298932     14.89     0.00         NA        NA
2 data.table            1  132.46 47.138790    131.70     0.08         NA        NA
3       plyr            1  212.69 75.690391    211.57     0.56         NA        NA