例如（不确定最具代表性的例子）：
N <- 1e6
d1 <- data.frame(x=sample(N,N), y1=rnorm(N))
d2 <- data.frame(x=sample(N,N), y2=rnorm(N))
这是我到目前为止所得到的：
d <- merge(d1,d2)
# 7.6 sec
library(plyr)
d <- join(d1,d2)
# 2.9 sec
library(data.table)
dt1 <- data.table(d1, key="x")
dt2 <- data.table(d2, key="x")
d <- data.frame( dt1[dt2,list(x,y1,y2=dt2$y2)] )
# 4.9 sec
library(sqldf)
sqldf()
sqldf("create index ix1 on d1(x)")
sqldf("create index ix2 on d2(x)")
d <- sqldf("select * from d1 inner join d2 on d1.x=d2.x")
sqldf()
# 17.4 sec
答案 0 :(得分：43)
当第一个数据框中的每个键值都有唯一键时，匹配方法有效。如果第二个数据帧中存在重复，则匹配和合并方法不同。当然，匹配更快，因为它没有那么多。特别是它永远不会寻找重复的键。 （代码后继续）
DF1 = data.frame(a = c(1, 1, 2, 2), b = 1:4)
DF2 = data.frame(b = c(1, 2, 3, 3, 4), c = letters[1:5])
merge(DF1, DF2)
b a c
1 1 1 a
2 2 1 b
3 3 2 c
4 3 2 d
5 4 2 e
DF1$c = DF2$c[match(DF1$b, DF2$b)]
DF1$c
[1] a b c e
Levels: a b c d e
> DF1
a b c
1 1 1 a
2 1 2 b
3 2 3 c
4 2 4 e
在问题中发布的sqldf代码中，可能看起来在两个表上使用了索引，但事实上，它们被放置在sql select运行之前被覆盖的表上，部分地，说明为什么它这么慢。 sqldf的想法是R会话中的数据帧构成数据库，而不是sqlite中的表。因此，每次代码引用非限定表名时，它将在R工作空间中查找 - 而不是在sqlite的主数据库中。因此，显示的select语句将d1和d2从工作空间读入sqlite的主数据库，破坏那些带有索引的数据库。因此，它执行没有索引的连接。如果你想使用sqlite主数据库中的d1和d2版本，你必须将它们称为main.d1和main.d2而不是d1和d2。此外，如果您尝试使其尽可能快地运行，请注意，简单连接不能在两个表上使用索引，因此您可以节省创建其中一个索引的时间。在下面的代码中，我们将说明这些要点。
值得注意的是，精确的计算可以在哪个包最快的情况下产生巨大的差异。例如，我们在下面进行合并和聚合。我们看到两者的结果几乎相反。在从最快到最慢的第一个例子中，我们得到：data.table，plyr，merge和sqldf，而在第二个例子中，sqldf，aggregate，data.table和plyr - 几乎与第一个相反。在第一个示例中，sqldf比data.table慢3倍，在第二个示例中，它比plyr快200倍，比data.table快100倍。下面我们展示输入代码，合并的输出时序和聚合的输出时序。值得注意的是sqldf基于数据库，因此可以处理大于R可以处理的对象（如果使用sqldf的dbname参数），而其他方法仅限于在主内存中处理。我们还用sqlite说明了sqldf，但它也支持H2和PostgreSQL数据库。
library(plyr)
library(data.table)
library(sqldf)
set.seed(123)
N <- 1e5
d1 <- data.frame(x=sample(N,N), y1=rnorm(N))
d2 <- data.frame(x=sample(N,N), y2=rnorm(N))
g1 <- sample(1:1000, N, replace = TRUE)
g2<- sample(1:1000, N, replace = TRUE)
d <- data.frame(d1, g1, g2)
library(rbenchmark)
benchmark(replications = 1, order = "elapsed",
merge = merge(d1, d2),
plyr = join(d1, d2),
data.table = {
dt1 <- data.table(d1, key = "x")
dt2 <- data.table(d2, key = "x")
data.frame( dt1[dt2,list(x,y1,y2=dt2$y2)] )
},
sqldf = sqldf(c("create index ix1 on d1(x)",
"select * from main.d1 join d2 using(x)"))
)
set.seed(123)
N <- 1e5
g1 <- sample(1:1000, N, replace = TRUE)
g2<- sample(1:1000, N, replace = TRUE)
d <- data.frame(x=sample(N,N), y=rnorm(N), g1, g2)
benchmark(replications = 1, order = "elapsed",
aggregate = aggregate(d[c("x", "y")], d[c("g1", "g2")], mean),
data.table = {
dt <- data.table(d, key = "g1,g2")
dt[, colMeans(cbind(x, y)), by = "g1,g2"]
},
plyr = ddply(d, .(g1, g2), summarise, avx = mean(x), avy=mean(y)),
sqldf = sqldf(c("create index ix on d(g1, g2)",
"select g1, g2, avg(x), avg(y) from main.d group by g1, g2"))
)
比较合并计算的两个基准调用的输出是：
Joining by: x
test replications elapsed relative user.self sys.self user.child sys.child
3 data.table 1 0.34 1.000000 0.31 0.01 NA NA
2 plyr 1 0.44 1.294118 0.39 0.02 NA NA
1 merge 1 1.17 3.441176 1.10 0.04 NA NA
4 sqldf 1 3.34 9.823529 3.24 0.04 NA NA
比较汇总计算的基准调用的输出是：
test replications elapsed relative user.self sys.self user.child sys.child
4 sqldf 1 2.81 1.000000 2.73 0.02 NA NA
1 aggregate 1 14.89 5.298932 14.89 0.00 NA NA
2 data.table 1 132.46 47.138790 131.70 0.08 NA NA
3 plyr 1 212.69 75.690391 211.57 0.56 NA NA
答案 1 :(得分：39)
Gabor的data.table结果中报告的132秒实际上是时基函数colMeans和cbind（使用这些函数引起的内存分配和复制）。使用data.table也有好的和坏的方法。
benchmark(replications = 1, order = "elapsed",
aggregate = aggregate(d[c("x", "y")], d[c("g1", "g2")], mean),
data.tableBad = {
dt <- data.table(d, key = "g1,g2")
dt[, colMeans(cbind(x, y)), by = "g1,g2"]
},
data.tableGood = {
dt <- data.table(d, key = "g1,g2")
dt[, list(mean(x),mean(y)), by = "g1,g2"]
},
plyr = ddply(d, .(g1, g2), summarise, avx = mean(x), avy=mean(y)),
sqldf = sqldf(c("create index ix on d(g1, g2)",
"select g1, g2, avg(x), avg(y) from main.d group by g1, g2"))
)
test replications elapsed relative user.self sys.self
3 data.tableGood 1 0.15 1.000 0.16 0.00
5 sqldf 1 1.01 6.733 1.01 0.00
2 data.tableBad 1 1.63 10.867 1.61 0.01
1 aggregate 1 6.40 42.667 6.38 0.00
4 plyr 1 317.97 2119.800 265.12 51.05
packageVersion("data.table")
# [1] ‘1.8.2’
packageVersion("plyr")
# [1] ‘1.7.1’
packageVersion("sqldf")
# [1] ‘0.4.6.4’
R.version.string
# R version 2.15.1 (2012-06-22)
请注意，我不太熟悉，所以请在依赖plyr时间之前与哈德利核对。另请注意，data.table确实包含转换为data.table的时间并设置密钥，以确保效果。
此答案自2010年12月初回答以来已更新。之前的基准测试结果如下。请参阅此答案的修订历史记录，了解更改内容。
test replications elapsed relative user.self sys.self
4 data.tableBest 1 0.532 1.000000 0.488 0.020
7 sqldf 1 2.059 3.870301 2.041 0.008
3 data.tableBetter 1 9.580 18.007519 9.213 0.220
1 aggregate 1 14.864 27.939850 13.937 0.316
2 data.tableWorst 1 152.046 285.800752 150.173 0.556
6 plyrwithInternal 1 198.283 372.712406 189.391 7.665
5 plyr 1 225.726 424.296992 208.013 8.004
答案 2 :(得分：14)
对于简单任务（连接两侧的唯一值），我使用match：
system.time({
d <- d1
d$y2 <- d2$y2[match(d1$x,d2$x)]
})
它比合并快得多（在我的机器上0.13s到3.37s）。
我的时间：
merge：3.32s plyr：0.84s match：0.12s 答案 3 :(得分：11)
认为在混合中使用dplyr发布基准会很有趣:(有很多东西在运行）
test replications elapsed relative user.self sys.self
5 dplyr 1 0.25 1.00 0.25 0.00
3 data.tableGood 1 0.28 1.12 0.27 0.00
6 sqldf 1 0.58 2.32 0.57 0.00
2 data.tableBad 1 1.10 4.40 1.09 0.01
1 aggregate 1 4.79 19.16 4.73 0.02
4 plyr 1 186.70 746.80 152.11 30.27
packageVersion("data.table")
[1] ‘1.8.10’
packageVersion("plyr")
[1] ‘1.8’
packageVersion("sqldf")
[1] ‘0.4.7’
packageVersion("dplyr")
[1] ‘0.1.2’
R.version.string
[1] "R version 3.0.2 (2013-09-25)"
刚补充说：
dplyr = summarise(dt_dt, avx = mean(x), avy = mean(y))
使用数据表设置dplyr的数据：
dt <- tbl_dt(d)
dt_dt <- group_by(dt, g1, g2)
更新：我删除了data.tableBad和plyr，只删除了RStudio（i7,16GB ram）。
使用data.table 1.9和dplyr with data frame：
test replications elapsed relative user.self sys.self
2 data.tableGood 1 0.02 1.0 0.02 0.00
3 dplyr 1 0.04 2.0 0.04 0.00
4 sqldf 1 0.46 23.0 0.46 0.00
1 aggregate 1 6.11 305.5 6.10 0.02
使用data.table 1.9和dplyr with data table：
test replications elapsed relative user.self sys.self
2 data.tableGood 1 0.02 1 0.02 0.00
3 dplyr 1 0.02 1 0.02 0.00
4 sqldf 1 0.44 22 0.43 0.02
1 aggregate 1 6.14 307 6.10 0.01
packageVersion("data.table")
[1] '1.9.0'
packageVersion("dplyr")
[1] '0.1.2'
为了保持一致性，这里的原始版本是all和data.table 1.9和dplyr使用数据表：
test replications elapsed relative user.self sys.self
5 dplyr 1 0.01 1 0.02 0.00
3 data.tableGood 1 0.02 2 0.01 0.00
6 sqldf 1 0.47 47 0.46 0.00
1 aggregate 1 6.16 616 6.16 0.00
2 data.tableBad 1 15.45 1545 15.38 0.01
4 plyr 1 110.23 11023 90.46 19.52
我认为这个数据对于新的data.table和dplyr来说太小了。）
更大的数据集：
N <- 1e8
g1 <- sample(1:50000, N, replace = TRUE)
g2<- sample(1:50000, N, replace = TRUE)
d <- data.frame(x=sample(N,N), y=rnorm(N), g1, g2)
在运行基准测试之前，只需要保存10-13GB的RAM即可。
结果：
test replications elapsed relative user.self sys.self
1 dplyr 1 14.88 1 6.24 7.52
2 data.tableGood 1 28.41 1 18.55 9.4
尝试了10亿但炸毁了公羊。 32GB将处理它没问题。
[Arun编辑]（dotcomken，您可以运行此代码并粘贴您的基准测试结果吗？谢谢）。
require(data.table)
require(dplyr)
require(rbenchmark)
N <- 1e8
g1 <- sample(1:50000, N, replace = TRUE)
g2 <- sample(1:50000, N, replace = TRUE)
d <- data.frame(x=sample(N,N), y=rnorm(N), g1, g2)
benchmark(replications = 5, order = "elapsed",
data.table = {
dt <- as.data.table(d)
dt[, lapply(.SD, mean), by = "g1,g2"]
},
dplyr_DF = d %.% group_by(g1, g2) %.% summarise(avx = mean(x), avy=mean(y))
)
根据Arun的要求，你提供我运行的输出：
test replications elapsed relative user.self sys.self
1 data.table 5 15.35 1.00 13.77 1.57
2 dplyr_DF 5 137.84 8.98 136.31 1.44
对不起困惑，深夜找我。
将dplyr与数据框一起使用似乎是处理摘要的效率较低的方法。这种方法是否将data.table和dplyr的确切功能与其包含的数据结构方法进行比较？我几乎更喜欢将其分开，因为在我们group_by或创建data.table之前需要清理大多数数据。这可能是一个品味问题，但我认为最重要的部分是如何有效地建模数据。
答案 4 :(得分：2)
使用合并功能及其可选参数：
内部联接：merge（df1，df2）将适用于这些示例，因为R通过公共变量名自动加入帧，但您很可能希望指定merge（df1，df2，by =“CustomerId”）来制作确保您只匹配所需的字段。如果匹配变量在不同的数据框中具有不同的名称，也可以使用by.x和by.y参数。
Outer join: merge(x = df1, y = df2, by = "CustomerId", all = TRUE)
Left outer: merge(x = df1, y = df2, by = "CustomerId", all.x = TRUE)
Right outer: merge(x = df1, y = df2, by = "CustomerId", all.y = TRUE)
Cross join: merge(x = df1, y = df2, by = NULL)