首页 文章

如何通过用data.table或dplyr替换复杂和缓慢的plyr步骤来提高R代码的速度？

提问于
浏览 次
0

我一直在通过搜索其他人如何在Stackoverflow上做事来学习R，因此，我已经熟悉了plyr语法 . 我有以下四个使用ddply的plyr调用，这是我的代码的速率限制步骤 . 我的数据接近数十万到数百万条记录，而且我的代码主要由于data.table而过时，并且只受到四个速率限制但是关键的plyr步骤的限制 . 我想用dplyr或data.table替换它们，但我一直在努力复制语法，并希望得到任何帮助 .

1. mergeddf3 <- ddply(mergeddf2, .(df.activ.id, channel), summarize, spotsids = paste(mainID, collapse = ","), spotsdt = paste(DateTime, collapse = ","), spotsinfos = paste(cat, collapse = ","), effrespflags = paste(effrespflag, collapse = ","))

2. webuniq_test <- ddply(webuniq, c("df.activ.id"),summarise, strRM = paste(replicate(RMCount, "RM"), collapse = ","))

3. webactiv2 <- ddply(webactiv, .(VisitorID), summarize, VisitorPath = paste(Path, collapse = ","), RMpath = paste(strRM, collapse = ","), ConvTot=sum(Conv), Conv2Tot=sum(Conv2), Cov3Tot=sum(Conv3)) #check that nrow dec

4. MeltForSO3 <- ddply(MeltForSO2, c("VisitorID","ID"),summarise, SplitThis = paste(value, collapse = ","))

对于（1）这里是基准：

#user  system elapsed 
#378.463   3.136 383.786

这是我在这些步骤中想要完成的事情（它们是相似的）：

  • 它们涉及ID字段或ID字段的数据聚合

  • 使用粘贴和折叠进行粒度字符字段的聚合 . 例如，对于每个站点，字段可能是一个驱动程序's stops as he drops off packages where a 2502201 field would have values ' a ', ' b ', ' c' . 使用 stops_path = paste(stops, collapse = ",") 的Plyr会将这些步骤汇总到一行"a,b,c"

  • 数值数据有时会在同一个聚合步骤中求和，例如 ConvTot=sum(Conv)

我试图用dplyr或data.table复制它是不成功的 .

对于这些类型的聚合，使用一个优于另一个是否有优势？我已经看了这个，看起来data.table可能对我的非常简单的用例更好，因为语法更清晰：data.table vs dplyr: can one do something well the other can't or does poorly?

这是我尝试使用data.table复制上述（1）的失败：

setkey(setDT(mergeddf2),df.activ.id, MarketingChannel)
mergeddf3test <- mergeddf2[, list(spotsids = paste(mainID, collapse = ","), spotsdt = paste(DateTime, collapse = ","), spotsinfos = paste(tvcat, collapse = ","), effrespflags = paste(effrespflag, collapse = ",")), by=list(df.activ.id,Channel)]

这引发了一个错误： unused argument (by = list(df.activ.id, Channel)) 我从代码中写道，我在SO上研究了如何将粘贴到data.table中 . 我拿出了by参数只是为了看看会发生什么，并在下面的行中得到另一个错误：

mergeddf3test <- mergeddf2[, list(spotsids = paste(spotID, collapse = ","), spotsdt = paste(DateTime, collapse = ","), spotsinfos = paste(tvcat, collapse = ","), effrespflags = paste(effrespflag, collapse = ","))]

错误是 "Error in paste(spotID, collapse = ",") : object 'spotID' not found" 这很奇怪，因为该字段肯定在数据中 . 我认为这个data.table行将使用by字段（df.activ.id和Channel）正确地聚合数据，并将字符字段与上面的（a，b，c）示例结合起来 .

显然，考虑到我正在使用的数据规模，我需要正确学习dplyr或data.table的语法，所以我已经注册了两个包的数据阵营类 . 尽管如此，我还是对如何在短期内解决这个问题表示感谢 .

谢谢！

r performance data.table plyr dplyr

1 回答

  • 1

    您使用 data.table 复制适用于我（除了该通道大写） . 以下是我尝试使用 dplyr 和 data.table 复制列表的第一步 .

    # required packages
require(plyr)
require(dplyr)
require(data.table)

    样本数据

    mergeddf2 <- data.frame(df.activ.id = 1:5, 
                        channel = 1:8, 
                        mainID = 1:40, 
                        DateTime = Sys.Date() - 80:1, 
                        cat = letters[1:6], 
                        effrespflag = rnorm(240), 
                        othervar = 1, 
                        MarketingChannel = 2)

    plyr解决方案

    mergeddf3 <- ddply(mergeddf2, .(df.activ.id, channel), summarize, 
                   spotsids = paste(mainID, collapse = ","), 
                   spotsdt = paste(DateTime, collapse = ","), 
                   spotsinfos = paste(cat, collapse = ","), 
                   effrespflags = paste(effrespflag, collapse = ","))

    dplyr解决方案

    mergeddf3.dplyr <- 
  mergeddf2 %>% 
  group_by(df.activ.id, channel) %>%
  summarise_each(funs = funs(paste(., collapse = ",")), mainID, DateTime, cat, effrespflag) %>%
  magrittr::set_colnames(c("df.activ.id", "channel", "spotsids", "spotsdt", "spotsinfos", "effrespflags")) 
# check for equality
all.equal(mergeddf3, as.data.frame(mergeddf3.dplyr))
## [1] TRUE

    data.table解决方案

    setDT(mergeddf2)
mergeddf3test <- mergeddf2[, list(spotsids = paste(mainID, collapse = ","), 
                                  spotsdt = paste(DateTime, collapse = ","), 
                                  spotsinfos = paste(cat, collapse = ","), 
                                  effrespflags = paste(effrespflag, collapse = ",")),
                           by=list(df.activ.id,channel)] 
# check for equality
all.equal(mergeddf3, setDF(setkeyv(mergeddf3test, c("df.activ.id", "channel"))))
## [1] TRUE
    回复于

相关问题