Question

我有一段聚合代码可以运行得很好，但对10e6行的数据帧运行有点慢。我不是那种经验丰富的R，所以为我畏缩的代码道歉！

我只想做一个基本的汇总和公共密钥值的总和......

例如从...开始

  key val
1   a   5
2   b   7
3   a   6

为...

  key val
1   a   11
2   b   7

我能管理的最好的是......

keys = unique(inp$key)
vals = sapply(keys, function(x) { sum(inp[inp$key==x,]$val) })
out = data.frame(key=keys, val=vals)

我有这种直觉，inp[inp$key==x,]并不是最好的方法。是否有明显的加速我错过了？我可以在Hadoop中做到这一点（因为10e6数据集实际上已经是来自2e9行数据集的汇总）但我正在努力改进我的R。

干杯，垫

Answer 1

您可以使用aggregate：

> d
  key val
1   a   5
2   b   7
3   a   6
> aggregate(val~key, sum, data=d)
  key val
1   a  11
2   b   7

你也可以使用hadley的plyr包中的ddply：

> ddply(d, .(key), summarize, val=sum(val))
  key val
1   a  11
2   b   7

Answer 2

使用tapply的另一个选项：

dat <- data.frame(key = c('a', 'b', 'a'), val = c(5,7,6))

> with(dat, tapply(val, key, FUN = sum))
 a  b 
11  7

我的测试表明这是这项特殊练习的最快方法，显然你的里程可能会有所不同：

fn.tapply <- function(daters) with(daters, tapply(val, key, FUN = sum))
fn.aggregate <- function(daters) aggregate(val~key, sum, data = daters)
fn.ddply <- function(daters) ddply(daters, .(key), summarize, val = sum(val))


library(rbenchmark)

benchmark(fn.tapply(dat), fn.aggregate(dat), fn.ddply(dat)
          , columns = c("test", "elapsed", "relative")
          , order = "relative"
          , replications = 100
          )


               test elapsed  relative
1    fn.tapply(dat)    0.03  1.000000
2 fn.aggregate(dat)    0.20  6.666667
3     fn.ddply(dat)    0.30 10.000000

请注意，将tapply解决方案转换为data.frame会将这一差异减少约40％，以便与前两个进行真正的苹果对比。

使用评论中指示的1M行数据集似乎改变了一点：

 dat2 <- data.frame(key = rep(letters[1:5], each = 200000), val = runif(1e6))
> benchmark(fn.tapply(dat2), fn.aggregate(dat2), fn.ddply(dat2)
+           , columns = c("test", "elapsed", "relative")
+           , order = "relative"
+           , replications = 100
+           )
               test elapsed relative
1   fn.tapply(dat2)  39.114 1.000000
3     fn.ddply(dat2)  62.178 1.589661
2 fn.aggregate(dat2) 157.463 4.025745

Answer 3

使用sapply和split是另一种选择。我将通过@ Chase的优秀答案扩展数据和基准。

fn.tapply <- function(daters) with(daters, tapply(val, key, FUN = sum))
fn.split <- function(daters) with(daters, sapply(split(val, key), sum))

str(dat)
# 'data.frame': 1000000 obs. of  2 variables:
#  $ key: Factor w/ 5 levels "a","b","c","d",..: 1 1 1 1 1 1 1 1 1 1 ...
#  $ val: num  0.186 0.875 0.42 0.294 0.878 ...

benchmark(fn.tapply(dat), fn.split(dat)
          , columns = c("test", "elapsed", "relative")
          , order = "relative"
          , replications = 100
          )
#             test elapsed relative
# 2  fn.split(dat)   4.106  1.00000
# 1 fn.tapply(dat)  69.982 17.04384

Answer 4

从技术上讲，你说“数据框架”，但另一个更快的选择（超过22倍）是使用data.table包。

这是10个10e6行代表的基准。

library(rbenchmark)
library(plyr)
library(data.table)

key <- sample(letters,10e6, replace = T)
val <- sample.int(10,10e6, replace = T)
big_df <- data.frame(key,val)
rm(key)
rm(val)
big_dtable <- data.table(big_df)
setkey(big_dtable,key)

fn.data_table <- function(mydata) mydata[,list(sum = sum(val)), by = 'key']
fn.tapply <- function(mydata) with(mydata, tapply(val, key, FUN = sum))
fn.aggregate <- function(mydata) aggregate(val~key, sum, data = mydata)
fn.ddply <- function(mydata) ddply(mydata, .(key), summarize, val = sum(val))

现在是基准......

benchmark(fn.data_table(big_dtable)
          , fn.tapply(big_df)
          , fn.aggregate(big_df)
          , fn.ddply(big_df)
          , fn.ddply(big_dtable)
          , columns = c("test","elapsed","relative")
          , order = "relative"
          , replications = 10         
          )

结果......

                       test elapsed  relative
1 fn.data_table(big_dtable)    1.98   1.00000
5      fn.ddply(big_dtable)   37.59  18.98485
4          fn.ddply(big_df)   44.36  22.40404
2         fn.tapply(big_df)   51.03  25.77273
3      fn.aggregate(big_df)  238.52 120.46465

基于密钥在数据框中聚合值

4 个答案: