data.frame方法最有效的列表?

时间:2011-05-09 21:35:19

标签: performance r memory-management dataframe data.table

刚刚和同事谈过这个问题,我们认为看看SO土地上的人们不得不说出来是值得的。假设我有一个包含N个元素的列表,其中每个元素都是长度为X的向量。现在假设我想将其转换为data.frame。与R中的大多数内容一样,使用plyr包,将as.dataframedo.call组合,预先分配DF和填充,有多种方法可以为谚语猫设置外观,例如cbind。它在和其他人。

提出的问题是当N或X(在我们的例子中是X)变得非常大时会发生什么。当效率(特别是在记忆力方面)至关重要时,是否有一种猫皮肤方法显着优越?

2 个答案:

答案 0 :(得分:27)

由于data.frame已经是一个列表,并且您知道每个列表元素的长度(X)相同,最快的事情可能就是更新classrow.names属性:

set.seed(21)
n <- 1e6
x <- list(x=rnorm(n), y=rnorm(n), z=rnorm(n))
x <- c(x,x,x,x,x,x)

system.time(a <- as.data.frame(x))
system.time(b <- do.call(data.frame,x))
system.time({
  d <- x  # Skip 'c' so Joris doesn't down-vote me! ;-)
  class(d) <- "data.frame"
  rownames(d) <- 1:n
  names(d) <- make.unique(names(d))
})

identical(a, b)  # TRUE
identical(b, d)  # TRUE

更新 - 这比创建d快〜2倍:

system.time({
  e <- x
  attr(e, "row.names") <- c(NA_integer_,n)
  attr(e, "class") <- "data.frame"
  attr(e, "names") <- make.names(names(e), unique=TRUE)
})

identical(d, e)  # TRUE

更新2 - 我忘记了内存消耗。上次更新会生成e的两个副本。使用attributes功能可将其减少为仅一个副本。

set.seed(21)
f <- list(x=rnorm(n), y=rnorm(n), z=rnorm(n))
f <- c(f,f,f,f,f,f)
tracemem(f)
system.time({  # makes 2 copies
  attr(f, "row.names") <- c(NA_integer_,n)
  attr(f, "class") <- "data.frame"
  attr(f, "names") <- make.names(names(f), unique=TRUE)
})

set.seed(21)
g <- list(x=rnorm(n), y=rnorm(n), z=rnorm(n))
g <- c(g,g,g,g,g,g)
tracemem(g)
system.time({  # only makes 1 copy
  attributes(g) <- list(row.names=c(NA_integer_,n),
    class="data.frame", names=make.names(names(g), unique=TRUE))
})

identical(f,g)  # TRUE

答案 1 :(得分:10)

这似乎需要data.table建议,因为需要大数据集的效率。值得注意的是setattr以引用形式设置,不会复制

library(data.table)
set.seed(21)
n <- 1e6
h <- list(x=rnorm(n), y=rnorm(n), z=rnorm(n))
h <- c(h,h,h,h,h,h)
tracemem(h)

system.time({h <- as.data.table(h)
            setattr(h, 'names', make.names(names(h), unique=T))})
然而,

as.data.table会复制。


编辑 - 无复制版本

使用@ MatthewDowle的建议setattr(h,'class','data.frame'),它将通过引用转换为data.frame(无副本

set.seed(21)
n <- 1e6
i <- list(x=rnorm(n), y=rnorm(n), z=rnorm(n))
i <- c(i,i,i,i,i,i)
tracemem(i)

system.time({  
  setattr(i, 'class', 'data.frame')
  setattr(i, "row.names", c(NA_integer_,n))

  setattr(i, "names", make.names(names(i), unique=TRUE))

})