我知道 data.table表与 dplyr 比较是SO上的常年收藏。 (完全公开:我喜欢并使用这两个程序包。)
但是,在尝试对我正在教授的类(class)进行一些比较时,我遇到了一些令人惊讶的事情。内存使用情况。我的期望是 dplyr 在需要(隐式)数据过滤或切片的操作中表现特别差。但这不是我要找到的。比较:
第一个 dplyr 。
library(bench)
library(dplyr, warn.conflicts = FALSE)
library(data.table, warn.conflicts = FALSE)
set.seed(123)
DF = tibble(x = rep(1:10, times = 1e5),
y = sample(LETTERS[1:10], 10e5, replace = TRUE),
z = rnorm(1e6))
DF %>% filter(x > 7) %>% group_by(y) %>% summarise(mean(z))
#> # A tibble: 10 x 2
#> y `mean(z)`
#> * <chr> <dbl>
#> 1 A -0.00336
#> 2 B -0.00702
#> 3 C 0.00291
#> 4 D -0.00430
#> 5 E -0.00705
#> 6 F -0.00568
#> 7 G -0.00344
#> 8 H 0.000553
#> 9 I -0.00168
#> 10 J 0.00661
bench::bench_process_memory()
#> current max
#> 585MB 611MB
由reprex package(v0.3.0)创建于2020-04-22
然后是 data.table 。
library(bench)
library(dplyr, warn.conflicts = FALSE)
library(data.table, warn.conflicts = FALSE)
set.seed(123)
DT = data.table(x = rep(1:10, times = 1e5),
y = sample(LETTERS[1:10], 10e5, replace = TRUE),
z = rnorm(1e6))
DT[x > 7, mean(z), by = y]
#> y V1
#> 1: F -0.0056834238
#> 2: I -0.0016755202
#> 3: J 0.0066061660
#> 4: G -0.0034436348
#> 5: B -0.0070242788
#> 6: E -0.0070462070
#> 7: H 0.0005525803
#> 8: D -0.0043024627
#> 9: A -0.0033609302
#> 10: C 0.0029146372
bench::bench_process_memory()
#> current max
#> 948.47MB 1.17GB
由reprex package(v0.3.0)创建于2020-04-22
因此,基本上 data.table 似乎使用了 dplyr 用于此简单的过滤+分组操作的内存几乎是原来的两倍。请注意,我实质上是在复制一个用例,即@Arun建议here在data.table方面的内存使用效率更高。 (不过 data.table 仍然要快很多。)
有什么想法吗,或者我只是缺少明显的东西?
P.S.顺便说一句,比较内存使用情况最终要比最初看起来更复杂,因为R的标准内存分析工具(Rprofmem和co。)所有发生在R之外的ignore操作(例如,对C++堆栈的调用)。幸运的是, Bench 软件包现在提供了
bench_process_memory()
函数,该函数还可以跟踪R GC堆之外的内存,这就是我在这里使用它的原因。sessionInfo()
#> R version 3.6.3 (2020-02-29)
#> Platform: x86_64-pc-linux-gnu (64-bit)
#> Running under: Arch Linux
#>
#> Matrix products: default
#> BLAS/LAPACK: /usr/lib/libopenblas_haswellp-r0.3.9.so
#>
#> locale:
#> [1] LC_CTYPE=en_US.UTF-8 LC_NUMERIC=C
#> [3] LC_TIME=en_US.UTF-8 LC_COLLATE=en_US.UTF-8
#> [5] LC_MONETARY=en_US.UTF-8 LC_MESSAGES=en_US.UTF-8
#> [7] LC_PAPER=en_US.UTF-8 LC_NAME=C
#> [9] LC_ADDRESS=C LC_TELEPHONE=C
#> [11] LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C
#>
#> attached base packages:
#> [1] stats graphics grDevices utils datasets methods base
#>
#> other attached packages:
#> [1] data.table_1.12.8 dplyr_0.8.99.9002 bench_1.1.1.9000
#>
#> loaded via a namespace (and not attached):
#> [1] Rcpp_1.0.4.6 knitr_1.28 magrittr_1.5 tidyselect_1.0.0
#> [5] R6_2.4.1 rlang_0.4.5.9000 stringr_1.4.0 highr_0.8
#> [9] tools_3.6.3 xfun_0.13 htmltools_0.4.0 ellipsis_0.3.0
#> [13] yaml_2.2.1 digest_0.6.25 tibble_3.0.1 lifecycle_0.2.0
#> [17] crayon_1.3.4 purrr_0.3.4 vctrs_0.2.99.9011 glue_1.4.0
#> [21] evaluate_0.14 rmarkdown_2.1 stringi_1.4.6 compiler_3.6.3
#> [25] pillar_1.4.3 generics_0.0.2 pkgconfig_2.0.3
由reprex package(v0.3.0)创建于2020-04-22
最佳答案
更新:遵循@jangorecki的建议,我使用cgmemtime shell实用程序重新进行了分析。这些数字更加接近-即使启用了多线程-并且data.table现在使dplyr w.r.t减少到.high-water RSS + CACHE内存使用情况。
dplyr
$ ./cgmemtime Rscript ~/mem-comp-dplyr.R
Child user: 0.526 s
Child sys : 0.033 s
Child wall: 0.455 s
Child high-water RSS : 128952 KiB
Recursive and acc. high-water RSS+CACHE : 118516 KiB
数据表
$ ./cgmemtime Rscript ~/mem-comp-dt.R
Child user: 0.510 s
Child sys : 0.056 s
Child wall: 0.464 s
Child high-water RSS : 129032 KiB
Recursive and acc. high-water RSS+CACHE : 118320 KiB
底线:从R is complicated内准确测量内存使用情况。
我将原始答案留在下面,因为我认为它仍然有值(value)。
原始答案:
好的,因此在编写此文件的过程中,我意识到 data.table 的默认多线程行为似乎是主要的罪魁祸首。如果我重新运行后一个块,但是这次是多线程,则两个结果具有更大的可比性:
library(bench)
library(dplyr, warn.conflicts = FALSE)
library(data.table, warn.conflicts = FALSE)
set.seed(123)
setDTthreads(1) ## TURN OFF MULTITHREADING
DT = data.table(x = rep(1:10, times = 1e5),
y = sample(LETTERS[1:10], 10e5, replace = TRUE),
z = rnorm(1e6))
DT[x > 7, mean(z), by = y]
#> y V1
#> 1: F -0.0056834238
#> 2: I -0.0016755202
#> 3: J 0.0066061660
#> 4: G -0.0034436348
#> 5: B -0.0070242788
#> 6: E -0.0070462070
#> 7: H 0.0005525803
#> 8: D -0.0043024627
#> 9: A -0.0033609302
#> 10: C 0.0029146372
bench::bench_process_memory()
#> current max
#> 589MB 612MB
由reprex package(v0.3.0)创建于2020-04-22
不过,我很惊讶他们如此接近。如果我尝试使用更大的数据集(尽管使用了单个线程),则 data.table 的内存性能实际上会变差,这使我怀疑我仍无法正确地测量内存使用情况...
关于r - 重新探究data.table与dplyr的内存使用,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/61376970/