在R中的数据框的行上子集的更快方法？

我一直在使用这2种方法中可互换到子集从数据帧的数据在R.
方法1
subset_df <- df[which(df$age>5) , ]
方法2
subset_df <- subset(df, age>5)在R中的数据框的行上子集的更快方法？

我不得不属于这些2个问题。
1.考虑到我有非常大的数据，哪一个更快？
2.这篇文章Subsetting data frames in R表明上述2种方法实际上有区别。其中一人能够准确处理NA。哪一个可以安全使用呢？

来源

2014-12-04 shubham

对于（1）尝试运行一些基准测试包'microbenchmark' – nrussell 2014-12-04 21:44:40

另请参见https://stackoverflow.com/questions/9860090/in-r-why-is-better-than-subset – 2014-12-04 21:49:31

如果您'再次担心大数据集的速度，您应该使用'dplyr'或'data.table'（或'dplyr'作为data.table'的前端）。 – 2014-12-04 21:49:31

该问题要求更快的方式来对数据框的子集进行子集划分。最快的方法是使用data.table。

set.seed(1) # for reproducible example 
# 1 million rows - big enough? 
df <- data.frame(age=sample(1:65,1e6,replace=TRUE),x=rnorm(1e6),y=rpois(1e6,25)) 

library(microbenchmark) 
microbenchmark(result<-df[which(df$age>5),], 
       result<-subset(df, age>5), 
       result<-df[df$age>5,], 
       times=10) 
# Unit: milliseconds 
#        expr  min  lq median  uq  max neval 
# result <- df[which(df$age > 5), ] 77.01055 80.62678 81.43786 133.7753 145.4756 10 
#  result <- subset(df, age > 5) 190.89829 193.04221 197.49973 203.7571 263.7738 10 
#   result <- df[df$age > 5, ] 169.85649 171.02084 176.47480 185.9394 191.2803 10 

library(data.table) 
DT <- as.data.table(df)  # data.table 
microbenchmark(DT[age > 5],times=10) 
# Unit: milliseconds 
#   expr  min  lq median  uq  max neval 
# DT[age > 5] 29.49726 29.93907 30.1813 30.67168 32.81204 10

所以在这个简单的例子data.table比快两倍which(...)多一点，比subset(...)快6倍以上。

来源

2014-12-04 22:03:40 jlhoward

注意：在Windows上的R 3.3.1 64位上运行此版本，前三个选项之间的差别是版本较小（平均值：110 - 114，中值：77-87）。也许R处理子集的方式已经优化了？我还没有尝试data.table，我认为它仍然更快。 – 2016-08-24 14:50:25

我通过加入重新写入代码：

子集操作者[[;
filter from“dplyr”package;
功能使用standard evaluation。

 

# 1. Libraries 
library(microbenchmark) 
library(data.table) 
library(dplyr) 

# 2. Reproducibility 
set.seed(1) 

# 3. Create data structures (1e6 rows) 

# 3.1. Data frame 
df <- data.frame(
    age = sample(1:65, 1e6, replace = TRUE), 
    x = rnorm(1e6), 
    y = rpois(1e6,25)) 

# 3.2. Data table 
dt <- as.data.table(df) 

# 4. Helper functions 

# 4.1. Function that uses standard evaluation 
# http://adv-r.had.co.nz/Computing-on-the-language.html 
subset2_q <- function(x, condition) { 
    r <- eval(condition, x, parent.frame()) 
    x[r, ] 
} 

subset2 <- function(x, condition) { 
    subset2_q(x, substitute(condition)) 
} 

# 5. Benchmarks 
microbenchmark(

    # 5.1. Data frame (basic operations) 
    df[which(df$age > 5), ], 
    df[df$age > 5, ], 
    subset(df, age > 5), 
    df[df[['age']] > 5, ], 

    # 5.2. Data frame (dplyr) 
    df %>% filter(age > 5), 

    # 5.3. Data table (basic) 
    dt[age > 5], 
    dt %>% filter(age > 5), 

    # 5.4. Data frame and table with 'subset2' 
    dt %>% subset2(age > 5), 
    df %>% subset2(age > 5), 

    # 5.5. How many times 
    times = 10) 

# Results 

expr  min  lq  mean median  uq  max neval cld 
df[which(df$age > 5), ] 83.07726 88.77624 102.20981 90.08606 91.52631 212.10305 10 b 
     df[df$age > 5, ] 72.17319 79.98209 80.68900 81.42234 82.33832 84.46876 10 b 
    subset(df, age > 5) 84.95796 85.90815 88.79125 88.03345 89.49680 95.37453 10 b 
    df[df[["age"]] > 5, ] 71.39021 80.22755 81.86848 81.33061 82.38236 104.97732 10 b 
    df %>% filter(age > 5) 21.37622 21.97020 23.57504 22.27681 25.17569 29.64354 10 a 
      dt[age > 5] 20.26226 20.55946 36.58179 25.24155 29.68587 143.57794 10 a 
    dt %>% filter(age > 5) 21.35613 21.76579 25.57424 22.02750 30.99570 32.18407 10 a 
dt %>% subset2(age > 5) 20.41449 20.57485 23.93314 20.70827 28.63391 31.15306 10 a 
df %>% subset2(age > 5) 77.43044 79.63956 92.24558 80.80100 81.61990 197.36958 10 b

最好结果为data.table和DF％>％滤波器（年龄> 5）运算符。因此，使用dplyr的data.frame也可能很有用。

来源

2017-08-19 18:50:58 andrii

在R中的数据框的行上子集的更快方法？

回答

相关问题