为什么dplyr这么慢?

时间:2019-01-23 10:03:48

标签: r performance dplyr

像大多数人一样,哈德利·威克汉姆(Hadley Wickham)以及他为R做的事情给我留下了深刻的印象-因此我认为我将向他的tidyverse移去一些功能...我想知道这一切的意义是什么?

我的新dplyr函数比其基本等效函数慢得多-我希望我做错了什么。我特别希望从了解non-standard-evaluation所需的工作中获得一些回报。

那么,我在做什么错?为什么dplyr这么慢?

一个例子:

require(microbenchmark)
require(dplyr)

df <- tibble(
             a = 1:10,
             b = c(1:5, 4:0),
             c = 10:1)

addSpread_base <- function() {
    df[['spread']] <- df[['a']] - df[['b']]
    df
}

addSpread_dplyr <- function() df %>% mutate(spread := a - b)

all.equal(addSpread_base(), addSpread_dplyr())

microbenchmark(addSpread_base(), addSpread_dplyr(), times = 1e4)

计时结果:

Unit: microseconds
              expr     min      lq      mean median      uq       max neval
  addSpread_base()  12.058  15.769  22.07805  24.58  26.435  2003.481 10000
 addSpread_dplyr() 607.537 624.697 666.08964 631.19 636.291 41143.691 10000

因此,使用dplyr函数转换数据大约需要30倍以上的时间-肯定不是这样吗?

我认为这可能太简单了-如果我们有一个更现实的情况来添加列和子集数据,dplyr确实会发光-但这更糟。从下面的时序中可以看出,这比基本方法要慢约70倍。

# mutate and substitute
addSpreadSub_base <- function(df, col1, col2) {
    df[['spread']] <- df[['a']] - df[['b']]
    df[, c(col1, col2, 'spread')]
}

addSpreadSub_dplyr <- function(df, col1, col2) {
    var1 <- as.name(col1)
    var2 <- as.name(col2)
    qq <- quo(!!var1 - !!var2)
    df %>% 
        mutate(spread := !!qq) %>% 
        select(!!var1, !!var2, spread)
}

all.equal(addSpreadSub_base(df, col1 = 'a', col2 = 'b'), 
          addSpreadSub_dplyr(df, col1 = 'a', col2 = 'b'))

microbenchmark(addSpreadSub_base(df, col1 = 'a', col2 = 'b'), 
               addSpreadSub_dplyr(df, col1 = 'a', col2 = 'b'), 
               times = 1e4)

结果:

Unit: microseconds
                                           expr      min       lq      mean   median       uq      max neval
  addSpreadSub_base(df, col1 = "a", col2 = "b")   22.725   30.610   44.3874   45.450   53.798  2024.35 10000
 addSpreadSub_dplyr(df, col1 = "a", col2 = "b") 2748.757 2837.337 3011.1982 2859.598 2904.583 44207.81 10000

1 个答案:

答案 0 :(得分:7)

这是微秒,您的数据集有10行,除非计划在数百万个10行的数据集上循环,否则基准几乎是无关紧要的(在这种情况下,我无法想象不会有这样的情况)明智的做法是将它们绑定在一起作为第一步)。

让我们用更大的数据集来做,例如大一百万倍:

df <- tibble(
  a = 1:10,
  b = c(1:5, 4:0),
  c = 10:1)

df2 <- bind_rows(replicate(1000000,df,F))

addSpread_base <- function(df) {
  df[['spread']] <- df[['a']] - df[['b']]
  df
}
addSpread_dplyr  <- function(df) df %>% mutate(spread = a - b)

microbenchmark::microbenchmark(
  addSpread_base(df2), 
  addSpread_dplyr(df2),
  times = 100)
# Unit: milliseconds
#                 expr      min       lq     mean   median       uq      max neval cld
# addSpread_base(df2) 25.85584 26.93562 37.77010 32.33633 35.67604 170.6507   100   a
# addSpread_dplyr(df2) 26.91690 27.57090 38.98758 33.39769 39.79501 182.2847   100   a

仍然非常快,并且差别不大。

对于您得到的结果的“原因”,这是因为您使用的是复杂得多的函数,因此开销很大。

评论者指出,dplyr并不会太努力地追求快速,也许当您与data.table进行比较时确实如此,而界面是首要考虑的问题,但是作者一直在努力速度也是如此。例如,混合评估允许(如果我做对的话)在与通用函数进行聚合时直接在分组数据上执行C代码,这可能比基本代码快得多,但是简单代码始终可以通过简单函数运行。