速度似乎有所不同,具体取决于您如何指定要从数据中选择的列。表: x[, .(var)]
对比 x[, c('var')]
.
原因可能很明显,但是在帮助页面.()
, list()
和 c()
符号似乎可以互换使用。
我使用相当大的数据集,所以这对我来说有点重要:-)
示例(调用顺序不影响速度):
x <- as.data.table(as.character(rnorm(20000000,1,0.5)))
setkey(x, V1)
tic(); x[, .(V1)]; toc()
25.08 sec elapsed
tic(); x[, c('V1')]; toc()
0.28 sec elapsed
tic(); x[, 1]; toc()
0.02 sec elapsed
> sessionInfo()
R version 3.6.1 (2019-07-05)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 10 x64 (build 18362)
attached base packages:
[1] stats graphics grDevices utils datasets methods base
other attached packages:
[1] tictoc_1.0 data.table_1.12.8
loaded via a namespace (and not attached):
[1] compiler_3.6.1 tools_3.6.1 lifecycle_0.2.0 rlang_0.4.6
最佳答案
您发现了一个错误(问题提交 here)-- data.table
正在尝试确定 []
的输出是否是键控的;为此,它正在运行一个内部 is.sorted
功能。这在一个巨大的独特字符串表上非常慢。
幸运的是,我们可以进行静态分析并意识到您的输出表实际上是键控的——没有子集,键列 ( V1
) 没有变化。因此排序顺序不能改变,您的输出也将按 V1
排序。 .
此逻辑内置于 PR to fix this issue -- 你可以用 remotes::install_github('Rdatatable/data.table@fix_sorting_on_sorted')
测试一下,但需要注意的是,这是该软件包的最新版本,或者您可以等到它合并到 master,或者直到新版本发布到 CRAN。
与此同时,这里有一个解决方法:
setkey(x, NULL)
system.time(x[ , .(V1)])
# user system elapsed
# 0.120 0.087 0.213
当然,这会阻止以后的处理识别您的数据已排序及其效率......
在这种情况下(!仅在这种情况下 - 小心使用!!!) - 您自己确定数据已经按
V1
排序-- 您可以通过以下方式立即恢复 key :setattr(x, 'sorted', 'V1')
更普遍的是,选择与
[
之间存在细微差异。 , [[
, $
等[
将往往是最慢的,因为我们做了很多“静态查询分析”来帮助提高您的代码的效率,这伴随着我们希望几乎每次都会很小的性能成本。任何时候这个成本都不小,它应该是一个错误。还有一些工作正在积极进行中尝试提供快捷方式来减少这种开销,例如参见 this PR
关于r - 为什么列选择的 data.table 表示法会影响速度,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/62019120/