我有一个名为 main
的数据框,它有 400,000 行,我想对其进行子集化以检索 1 行或多行。
这里的一个例子是一个数据框,它显示了我正在使用 subset
函数的子集类型:
main <- data.frame(date = as.POSIXct(c("2015-01-01 07:44:00 GMT","2015-02-02 09:46:00 GMT")),
name= c("bob","george"),
value=c(1,522),
id= c(5,2))
subset(main, date == "2015-01-01 07:44:00" & name == "bob" & value == 1)
这行得通,但速度很慢,我认为这是因为我正在处理 400k 行的数据框。有什么想法可以使子集化更快吗?
最佳答案
我建议使用键控 data.table
。以下是设置方法(修改示例):
require(data.table)
mainDT <- data.table(main)
setkey(mainDT,V1,V2,V3)
我们现在可以使用如下语法基于相等条件进行子集
mainDT[J("a","A")]
或
mainDT[J(c("a","b"),"A",1)]
which subsets to where V1 %in% c("a","b")
(相当于 V1=="a"|V1=="b"
).
这是一个速度比较:
require(rbenchmark)
benchmark(
"[" = main[main$V1=="a" & main$V2=="A",],
"subset" = subset(main,V1=="a" & V2=="A"),
"DT[J()]" = mainDT[J("a","A")],
replications=5
)[,1:6]
在我的电脑上给出了这些结果:
test replications elapsed relative user.self sys.self
1 [ 5 5.96 NA 5.38 0.57
3 DT[J()] 5 0.00 NA 0.00 0.00
2 subset 5 6.93 NA 6.20 0.72
因此,使用 J
进行子集化是即时的,而其他两种方法需要几秒钟。但是,以这种方式使用 J
进行子集化是有限的:
- 仅用于平等条件。
- 对于上面的简单语法,您需要按照键的顺序传递参数。但是,您可以使用
mainDT[J("a",unique(V2),2)]
选择V1=="a"& V3 == 2
的位置,它是还是挺快的。
你可以用 data.frame 做的一切也可以用 data.table 完成。例如,subset(mainDT,V1=="a"& V2=="A")
仍然有效。因此,通常将 data.frames 切换为 data.tables 不会有任何损失。您可以使用 setDT(main)
就地转换为 data.table。
示例代码如下:
n = 1e7
n3 = 1e3
set.seed(1)
main <- data.frame(
V1=sample(letters,n,replace=TRUE),
V2=sample(c(letters,LETTERS),n,replace=TRUE),
V3=sample(1:n3,n,replace=TRUE),
V4=rnorm(n))
在上述基准测试中看到的改进会因您的数据而异。当您有很多观察值 (n
) 或键的唯一值很少(例如 n3
)时,使用键控数据表进行子集化的好处应该更大。
关于r - 在 R 中进行子集化的最快方法,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/29975596/