7

by関数は、一度に1つの要素を増やすリストを作成しますか？

因子列でグループ化された約400万の観測値を持つデータフレームを処理する必要があります。状況は以下の例のようになります。

> # Make 4M rows of data
> x = data.frame(col1=1:4000000, col2=10000001:14000000)
> # Make a factor
> x[,"f"] = x[,"col1"] - x[,"col1"] %% 5
>   
> head(x)
  col1     col2 f
1    1 10000001 0
2    2 10000002 0
3    3 10000003 0
4    4 10000004 0
5    5 10000005 5
6    6 10000006 5

これでtapply、列の1つに適切な時間がかかります。

> t1 = Sys.time()
> z = tapply(x[, 1], x[, "f"], mean)
> Sys.time() - t1
Time difference of 22.14491 secs

しかし、私がこれを行う場合：

z = by(x[, 1], x[, "f"], mean)

それはほぼ同時にどこでも終了しません（私は1分後にあきらめました）。

もちろん、上記の例でtapplyは使用できますが、実際には複数の列を一緒に処理する必要があります。これを行うためのより良い方法は何ですか？

4

2 に答える 2

4

bytapplyラッピングしているためよりも遅いですby。いくつかのベンチマークを見てみましょう。tapplyこの状況では、使用するよりも3倍以上高速です。by

@Rolandの素晴らしい推奨事項を含めるように更新されました：

library(rbenchmark)
library(data.table)
dt <- data.table(x,key="f")

using.tapply <- quote(tapply(x[, 1], x[, "f"], mean))
using.by <- quote(by(x[, 1], x[, "f"], mean))
using.dtable <- quote(dt[,mean(col1),by=key(dt)])

times <- benchmark(using.tapply, using.dtable, using.by, replications=10, order="relative")
times[,c("test", "elapsed", "relative")] 

#------------------------#
#         RESULTS        # 
#------------------------#

#       COMPARING tapply VS by     #
#-----------------------------------
#              test elapsed relative
#   1  using.tapply   2.453    1.000
#   2      using.by   8.889    3.624

#   COMPARING data.table VS tapply VS by   #
#------------------------------------------#
#             test elapsed relative
#   2  using.dtable   0.168    1.000
#   1  using.tapply   2.396   14.262
#   3      using.by   8.566   50.988

x $ fが要因である場合、tapplyとbyの間の効率の低下はさらに大きくなります。

ただし、data.tableはほぼ同じかそれより悪いままですが、両方とも非因子入力に比べて改善されていることに注意してください。

x[, "f"] <- as.factor(x[, "f"])
dt <- data.table(x,key="f")
times <- benchmark(using.tapply, using.dtable, using.by, replications=10, order="relative")
times[,c("test", "elapsed", "relative")] 

#               test elapsed relative
#   2   using.dtable   0.175    1.000
#   1   using.tapply   1.803   10.303
#   3       using.by   7.854   44.880


理由については、簡単な答えはドキュメント自体にあります。

?by：

説明

Function byは、データフレームに適用されるtapplyのオブジェクト指向ラッパーです。

by（またはより具体的には）のソースを見てみましょうby.data.frame：

by.data.frame
function (data, INDICES, FUN, ..., simplify = TRUE) 
{
    if (!is.list(INDICES)) {
        IND <- vector("list", 1L)
        IND[[1L]] <- INDICES
        names(IND) <- deparse(substitute(INDICES))[1L]
    }
    else IND <- INDICES
    FUNx <- function(x) FUN(data[x, , drop = FALSE], ...)
    nd <- nrow(data)
    ans <- eval(substitute(tapply(seq_len(nd), IND, FUNx, simplify = simplify)), 
        data)
    attr(ans, "call") <- match.call()
    class(ans) <- "by"
    ans
}

tapplyプラスへの呼び出しがまだたくさんあることがすぐにわかります（への呼び出しdeparse(substitute(.))とeval(substitute(.))両方が比較的遅いことを含みます）。tapplyしたがって、への同様の呼び出しよりも比較的高速になることは理にかなっていますby。

于 2012-12-04T16:16:01.380 に答える
3

これを行うためのより良い方法について: 4M 行では、 を使用する必要がありますdata.table。

library(data.table)
dt <- data.table(x,key="f")
dt[,mean(col1),by=key(dt)]

dt[,list(mean1=mean(col1),mean2=mean(col2)),by=key(dt)]
dt[,lapply(.SD,mean),by=key(dt)]
于 2012-12-04T17:19:57.457 に答える