r - dplyr::slice in data.table

标签 r dplyr data.table slice

这个问题在这里已经有了答案:





How to extract the first n rows per group?

(3 个回答)



Subset rows corresponding to max value by group using data.table

(1 个回答)


3年前关闭。




data.table中执行以下操作的惯用方法是什么? ?

library(dplyr)
df %>% 
  group_by(b) %>% 
  slice(1:10)

我可以
library(data.table)
df[, .SD[1:10]
   , by = b]

但这似乎要慢得多。有没有更好的办法?
set.seed(0)
df <- rep(1:500, sample(500:1000, 500, T)) %>% 
        data.table(a = runif(length(.))
                  ,b = .)

f1 <- function(df){
  df %>% 
    group_by(b) %>% 
    slice(1:10)
}
f2 <- function(df){
  df[, .SD[1:10]
     , by = b]
}

library(microbenchmark)
microbenchmark(f1(df), f2(df))
#Unit: milliseconds
#   expr      min       lq      mean   median        uq      max neval
# f1(df) 17.67435 19.50381  22.06026 20.50166  21.42668  78.3318   100
# f2(df) 69.69554 79.43387 119.67845 88.25585 106.38661 581.3067   100

========== 带有建议方法的基准测试 ==========
set.seed(0)
df <- rep(1:500, sample(500:1000, 500, T)) %>% 
        data.table(a = runif(length(.))
                  ,b = .)

use.slice <- function(df){
  df %>% 
    group_by(b) %>% 
    slice(1:10)
}
IndexSD <- function(df){
  df[, .SD[1:10]
     , by = b]
}
Index.I <- function(df) {
  df[df[, .I[seq_len(10)], by = b]$V1]
}
use.head <- function(df){
  df[, head(.SD, 10)
     , by = b]
}

library(microbenchmark)
microbenchmark(use.slice(df)
              , IndexSD(df)
              , Index.I(df)
              , use.head(df)
              , unit = "relative"
              , times = 100L)

#Unit: relative
#          expr       min        lq      mean    median        uq       max neval
# use.slice(df)  9.804549 10.269234  9.167413  8.900060  8.782862  6.520270   100
#   IndexSD(df) 38.881793 42.548555 39.044095 38.636523 39.942621 18.981748   100
#   Index.I(df)  1.000000  1.000000  1.000000  1.000000  1.000000  1.000000   100
#  use.head(df)  3.666898  4.033038  3.728299  3.408249  3.545258  3.951565   100

最佳答案

我们可以使用 .I提取行索引,应该更快

out <- df[df[, .I[seq_len(10)], by = b]$V1]
dim(out)
#[1] 5000    2

检查是否有 NA(如 OP 所评论)
any(out[, Reduce(`|`, lapply(.SD, is.na))])
#[1] FALSE


dim(df)
#[1] 374337      2

基准
f3 <- function(df) {
  df[df[, .I[seq_len(10)], by = b]$V1]
 }

microbenchmark(f1(df), f2(df), f3(df), unit = "relative", times = 10L)
#Unit: relative
#   expr       min        lq      mean    median        uq      max neval cld
# f1(df)  5.727822  5.480741  4.945486  5.672206  4.317531  5.10003    10  b 
# f2(df) 24.572633 23.774534 17.842622 23.070634 16.099822 11.58287    10   c
# f3(df)  1.000000  1.000000  1.000000  1.000000  1.000000  1.00000    10 a  

关于r - dplyr::slice in data.table,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/50093919/

相关文章:

r-data.table和testthat包

r - 如何加速 data.table 中的字符串拆分操作

将正数和负数重新缩放为 [0, 1] 和 [-1, 0]

r - 如何更新多列 XTS 对象中的一行?

r - 如何在 valueBox() 中将图像设置为背景而不是在 shinyApp 中设置颜色?

r - 将列名粘贴到 dplyr::mutate

r - 在行中找到最高值的列表并获取它们的列名

r - dplyr 无效的下标类型列表

r - 如何根据一天中的时间从一个数据帧中派生出 2 个数据帧?

使用 data.table 重新编码变量