Question

现在我正在使用

分析一些数据

row = dataset[dataset$id == id1,]

和

row = subset(dataset,id == id1)

其中所有id值都是整数。

然而，在使用更大的数据集时，我的结果令人失望。有什么方法可以加快这项具体任务吗？

Answer 1

使用data.table，我们可以设置一个列，该列按照递增顺序指定的列对数据进行物理重新排序，这样我们就可以使用二进制搜索进行子集化。

library(data.table)
setkey(setDT(data1), id)[.(id1)]

或者，从data.table版本1.9.4+开始，DT[x == .]和DT[x %in% .]形式的子集在内部进行优化以自动创建索引，然后在连续运行时使用二进制搜索来进行子集化，这是非常快的（见下面的基准）。

setDT(data1)[id == id1] # internally optimised to generate index automatically

有关详细信息，请查看this post。

数据

 set.seed(24)
 data1 <- data.frame(id= sample(1:6, 25, replace=TRUE), val=rnorm(25))
 id1 <- 5L

PS：setDT()通过引用将data.frame转换为data.table。

基准

set.seed(29)
dat2 <- data.frame(id= sample(1:100, 1e8, replace=TRUE), val=rnorm(1e8))

# data.frame subset in base R
system.time(dat2[dat2$id == id1,])
#   user  system elapsed 
#  6.287   0.646   7.081 

# base R like syntax on data.table; create index and subset using binary search
system.time(setDT(dat2)[id == id1])
#  user  system elapsed 
# 0.646   0.232   0.889 
# successive runs are incredibly fast!
# 0.037   0.002   0.039
# 0.040   0.002   0.042 

# alternatively set key once 
system.time(setkey(setDT(dat2), id))
#  2.908   0.499   3.440 
# and use binary search explicitly
system.time(dat2[.(id1)])
#   user  system elapsed 
#  0.009   0.002   0.012

Answer 2

以下是base（[）和dplyr（filter）之间的比较：

set.seed(29)
dat2 <- data.frame(id= sample(1:6, 3e6, replace=TRUE), val=rnorm(3e6))
library(dplyr)
system.time(dplyr::filter(dat2, id==5))
 user  system elapsed 
0.029   0.004   0.033 
system.time(dat2[dat2$id==5,])
 user  system elapsed 
0.236   0.012   0.248

选择具有特定ID值的数据行的最快方法是什么？

2 个答案:

数据

基准