0

df1,000 万行のデータ フレームがあります。「誕生日」列の文字書式を「xxxxxxxx」から「xxxx-xx-xx」に変換したい。例えば。「20051023」から「2005-10-23」まで。私はdf$birthday <- lapply(df$birthday, as.Date, "%Y%m%d")それを行うために使用できますが、データ変換のために多くのメモリと計算時間を浪費します. ただし、日付型ではなく、日付のような文字に変換したいだけです。stringiそのため、C言語で書かれているのでパッケージを使用します。残念ながら、df$birthday <- stri_join(stri_sub(df$birthday, from=c(1,5,7), to=c(4,6,8)), collapse = "-")関数はベクトル入力をサポートしていないため、機能しません。この問題を解決する方法はありますか? どうもありがとう。

4

2 に答える 2

1

as.Dateベクトルで動作します

 df$birthday <- format(as.Date(df$birthday, "%Y%m%d"), "%Y-%m-%d)

ベクトル化された関数は、適用よりもはるかに高速です

library(microbenchmark)
n <- 1e3
df <- data.frame(birthday = rep("20051023", n))
microbenchmark(
  lapply(df$birthday, as.Date, "%Y%m%d"),
  sapply(df$birthday, as.Date, "%Y%m%d"),
  as.Date(df$birthday, "%Y%m%d")
)

 Unit: microseconds
                                   expr       min        lq       mean    median        uq       max neval cld
 lapply(df$birthday, as.Date, "%Y%m%d") 22833.624 25340.118 29064.7188 28406.154 32346.245 58522.360   100   b
 sapply(df$birthday, as.Date, "%Y%m%d") 24048.493 26252.660 29797.9074 28437.156 33119.381 47966.133   100   b
         as.Date(df$birthday, "%Y%m%d")   431.469   447.719   481.5221   461.189   475.086  1984.158   100  a

正規表現はコース外でさらに高速です。

microbenchmark(
  as.character(as.Date(df$birthday, "%Y%m%d")),
  format(as.Date(df$birthday, "%Y%m%d"), "%Y-%m%-d"),
  sub("^(\\d{4})(\\d{2})(\\d{2})$", "\\1-\\2-\\3", df$birthday)
)

Unit: microseconds
                                                                      expr      min       lq     mean
                              as.character(as.Date(df$birthday, "%Y%m%d")) 4923.189 5057.462 5390.313
                        format(as.Date(df$birthday, "%Y%m%d"), "%Y-%m%-d") 3428.657 3553.736 3697.660
 sub("^(\\\\d{4})(\\\\d{2})(\\\\d{2})$", "\\\\1-\\\\2-\\\\3", df$birthday)  713.699  739.997  815.737
    median        uq      max neval cld
 5150.0420 5394.4265 8225.270   100   c
 3594.7875 3665.9865 5753.200   100  b 
  763.0885  783.1865 2433.585   100 a

sub()マトリックスでは機能しますが、data.frames では機能しません。従ってas.matrix

df <- as.data.frame(matrix("20051023", ncol = 3, nrow = 3))
df$ID <- seq_len(nrow(df))
df[, 1:3] <- sub("^(\\d{4})(\\d{2})(\\d{2})$", "\\1-\\2-\\3", as.matrix(df[, 1:3]))

行列の解法は、for ループよりも高速です。ループオーバーする必要がある列の数が増えると、差が大きくなります。

df <- as.data.frame(matrix("20051023", ncol = 20, nrow = 3))
df$ID <- seq_len(nrow(df))
library(microbenchmark)
microbenchmark(
  matrix = df[, seq_len(ncol(df) - 1)] <- sub("^(\\d{4})(\\d{2})(\\d{2})$", "\\1-\\2-\\3", as.matrix(df[, seq_len(ncol(df) - 1)])),
  forloop = {
    for(i in seq_len(ncol(df) - 1)){
      df[, i] <- sub("^(\\d{4})(\\d{2})(\\d{2})$", "\\1-\\2-\\3", df[, i])
    }
  }
)

Unit: microseconds
    expr      min       lq      mean    median       uq      max neval cld
  matrix  460.555  476.805  504.3012  494.1235  507.594 1122.522   100  a 
 forloop 1554.425 1590.774 1677.3038 1625.8390 1670.312 3563.845   100   b
于 2015-10-09T16:47:01.143 に答える