Question

我开始在R中使用data.table包来提高代码的性能。我使用以下代码：

sp500 <- read.csv('../rawdata/GMTSP.csv')
days <- c("Monday","Tuesday","Wednesday","Thursday","Friday","Saturday","Sunday")

# Using data.table to get the things much much faster
sp500 <- data.table(sp500, key="Date")
sp500 <- sp500[,Date:=as.Date(Date, "%m/%d/%Y")]
sp500 <- sp500[,Weekday:=factor(weekdays(sp500[,Date]), levels=days, ordered=T)]
sp500 <- sp500[,Year:=(as.POSIXlt(Date)$year+1900)]
sp500 <- sp500[,Month:=(as.POSIXlt(Date)$mon+1)]

我注意到，与其他创建工作日的函数相比，as.Date函数完成的转换非常慢。为什么会这样？是否有更好/更快的解决方案，如何转换为日期格式？（如果你问我是否真的需要日期格式，可能是的，因为然后使用ggplot2制作情节，这就像这种数据的魅力一样。）

更准确

> system.time(sp500 <- sp500[,Date:=as.Date(Date, "%m/%d/%Y")])
   user  system elapsed 
 92.603   0.289  93.014 
> system.time(sp500 <- sp500[,Weekday:=factor(weekdays(sp500[,Date]), levels=days, ordered=T)])
   user  system elapsed 
  1.938   0.062   2.001 
> system.time(sp500 <- sp500[,Year:=(as.POSIXlt(Date)$year+1900)])
   user  system elapsed 
  0.304   0.001   0.305

在MacAir i5上，观察结果略少于3000000。

由于

Answer 1

正如其他人所提到的，strptime（从字符转换为POSIXlt）是这里的瓶颈。另一个简单的解决方案是使用lubridate包及其fast_strptime方法。

以下是我的数据的样子：

> tables()
     NAME      NROW  MB COLS                                     
[1,] pp   3,718,339 126 session_id,date,user_id,path,num_sessions
     KEY         
[1,] user_id,date
Total: 126MB

> pp[, 2, with = F]
               date
      1: 2013-09-25
      2: 2013-09-25
      3: 2013-09-25
      4: 2013-09-25
      5: 2013-09-25
     ---           
3718335: 2013-09-25
3718336: 2013-09-25
3718337: 2013-09-25
3718338: 2013-10-11
3718339: 2013-10-11

> system.time(pp[, date := as.Date(fast_strptime(date, "%Y-%m-%d"))])
   user  system elapsed 
  0.315   0.026   0.344

进行比较：

> system.time(pp[, date := as.Date(date, "%Y-%m-%d")])
   user  system elapsed 
108.193   0.399 108.844

那快了~316倍！

Answer 2

我认为只是as.Date使用character通过Date将POSIXlt转换为strptime。我相信strptime非常慢。

要通过自己跟踪，请键入as.Date，然后methods(as.Date)，然后查看character方法。

> as.Date
function (x, ...) 
UseMethod("as.Date")
<bytecode: 0x2cf4b20>
<environment: namespace:base>

> methods(as.Date)
[1] as.Date.character as.Date.date      as.Date.dates     as.Date.default  
[5] as.Date.factor    as.Date.IDate*    as.Date.numeric   as.Date.POSIXct  
[9] as.Date.POSIXlt  
   Non-visible functions are asterisked

> as.Date.character
function (x, format = "", ...) 
{
    charToDate <- function(x) {
        xx <- x[1L]
        if (is.na(xx)) {
            j <- 1L
            while (is.na(xx) && (j <- j + 1L) <= length(x)) xx <- x[j]
            if (is.na(xx)) 
                f <- "%Y-%m-%d"
        }
        if (is.na(xx) || !is.na(strptime(xx, f <- "%Y-%m-%d", 
            tz = "GMT")) || !is.na(strptime(xx, f <- "%Y/%m/%d", 
            tz = "GMT"))) 
            return(strptime(x, f))
        stop("character string is not in a standard unambiguous format")
    }
    res <- if (missing(format)) 
        charToDate(x)
    else strptime(x, format, tz = "GMT")       ####  slow part, I think  ####
    as.Date(res)
}
<bytecode: 0x2cf6da0>
<environment: namespace:base>
>

为什么as.POSIXlt(Date)$year+1900相对较快？再次，追溯它：

> as.POSIXct
function (x, tz = "", ...) 
UseMethod("as.POSIXct")
<bytecode: 0x2936de8>
<environment: namespace:base>

> methods(as.POSIXct)
[1] as.POSIXct.date    as.POSIXct.Date    as.POSIXct.dates   as.POSIXct.default
[5] as.POSIXct.IDate*  as.POSIXct.ITime*  as.POSIXct.numeric as.POSIXct.POSIXlt
   Non-visible functions are asterisked

> as.POSIXlt.Date
function (x, ...) 
{
    y <- .Internal(Date2POSIXlt(x))
    names(y$year) <- names(x)
    y
}
<bytecode: 0x395e328>
<environment: namespace:base>
>

好奇，让我们深入了解Date2POSIXlt。对于这一点，我们需要grep main / src来知道要查看哪个.c文件。

~/R/Rtrunk/src/main$ grep Date2POSIXlt *
names.c:{"Date2POSIXlt",do_D2POSIXlt,   0,  11, 1,  {PP_FUNCALL, PREC_FN,   0}},
$

现在我们知道我们需要寻找D2POSIXlt：

~/R/Rtrunk/src/main$ grep D2POSIXlt *
datetime.c:SEXP attribute_hidden do_D2POSIXlt(SEXP call, SEXP op, SEXP args, SEXP env)
names.c:{"Date2POSIXlt",do_D2POSIXlt,   0,  11, 1,  {PP_FUNCALL, PREC_FN,   0}},
$

哦，我们可以猜到datetime.c。无论如何，所以看看最新的实时副本：

datetime.c

在那里搜索D2POSIXlt，您会看到从日期（数字）到POSIXlt的简单程度。您还将看到POSIXlt是一个实数向量（8个字节）加上七个整数向量（每个4个字节）。这是每个日期的40个字节！

所以问题的关键（我认为）是strptime如此缓慢的原因，也许这可以在R中得到改善。或者直接或间接地避免POSIXlt。

以下是使用相关项目数量（3,000,000）的可重复示例：

> Range = seq(as.Date("2000-01-01"),as.Date("2012-01-01"),by="days")
> Date = format(sample(Range,3000000,replace=TRUE),"%m/%d/%Y")
> system.time(as.Date(Date, "%m/%d/%Y"))
   user  system elapsed 
 21.681   0.060  21.760 
> system.time(strptime(Date, "%m/%d/%Y"))
   user  system elapsed 
 29.594   8.633  38.270 
> system.time(strptime(Date, "%m/%d/%Y", tz="GMT"))
   user  system elapsed 
 19.785   0.000  19.802

传递tz似乎加快了strptime as.Date.character。所以也许这取决于你的语言环境。但strptime似乎是罪魁祸首，而不是data.table。也许重新运行这个例子，看看你的机器上是否需要90秒？

Answer 3

感谢您的建议。我通过自己编写高斯算法来解决它，并得到了更好的结果，见下文。

getWeekDay <- function(year, month, day) {
  # Implementation of the Gaussian algorithm to get weekday 0 - Sunday, ... , 7 - Saturday
  Y <- year
  Y[month<3] <- (Y[month<3] - 1)

  d <- day
  m <- ((month + 9)%%12) + 1
  c <- floor(Y/100)
  y <- Y-c*100
  dayofweek <- (d + floor(2.6*m - 0.2) + y + floor(y/4) + floor(c/4) - 2*c) %% 7
  return(dayofweek)
}

sp500 <- read.csv('../rawdata/GMTSP.csv')
days <- c("Sunday","Monday","Tuesday","Wednesday","Thursday","Friday","Saturday")

# Using data.table to get the things much much faster
sp500 <- data.table(sp500, key="Date")
sp500 <- sp500[,Month:=as.integer(substr(Date,1,2))]
sp500 <- sp500[,Day:=as.integer(substr(Date,4,5))]
sp500 <- sp500[,Year:=as.integer(substr(Date,7,10))]
#sp500 <- sp500[,Date:=as.Date(Date, "%m/%d/%Y")]
#sp500 <- sp500[,Weekday:=factor(weekdays(sp500[,Date]), levels=days, ordered=T)]
sp500 <- sp500[,Weekday:=factor(getWeekDay(Year, Month, Day))]
levels(sp500$Weekday) <- days

运行上面的整个块给出（包括从csv读取日期）... Data.table确实令人印象深刻。

user  system elapsed 
 19.074   0.803  20.284

转换的时间本身已经过了3.49。

Answer 4

这是一个老问题，但我认为这个小技巧可能有用。如果您有多个具有相同日期的行，则可以执行

<xsl:for-each select="@*">

它更快，因为它只处理每个日期一次（在我的4000万行数据集中，从25秒到0.5秒）。

Answer 5

我原本以为：＆＃34;上面as.Date的参数没有指定的格式。＆＃34;

我现在想：我假设您所关注的日期值是标准格式。我猜不会。所以你正在做两个过程。您正在从字符格式重新格式化为日期格式，并且您将根据具有完全不同的归类序列的新值重新排序。

为什么as.Date在字符向量上变慢？

5 个答案: