为什么transform.data.table比transform.data.frame慢得多？

Question

我有一个小的data.table和使用transform它需要永远.这是一个可重复的例子:

library(data.table)
#data.table 1.8.8
set.seed(1) 

dataraw <- data.table(sig1 = runif(80000, 0, 9999),
                      sig2 = runif(80000, 0, 9999),
                      sig3 = runif(80000, 0, 9999))

system.time(transform(dataraw, d = 1))
#  user      system     elapsed 
#16.345       0.016      16.359 

dataraw2 <- as.data.frame(dataraw)

system.time(transform(dataraw2, d = 1))
# user      system     elapsed 
#0.002       0.002       0.005 

transform与data.frame一起使用时,为什么data.table的速度如此之慢？

Answer 1

更新:这已经在v1.8.10中修复了很久.来自新闻:

o transform()开启的缓慢data.table已经确定#2599.但是,请使用:=.

虽然从文档和?transform.data.table(从SenorO的帖子中)可以清楚地看出,惯用的方法是使用:=(通过引用分配),这是非常快的,但我认为知道为什么 transform慢一点仍然很有趣data.table.从我已经设法到目前为止领悟,transform.data.table是不是总是慢.

我会尝试在这里回答这个问题.它本身似乎不是一个问题transform.data.table,而是它对data.table()函数的调用.通过观察data.table:::transform.data.table,滞后来自这条线:

ans <- do.call("data.table", c(list(`_data`), e[!matched]))

那么,让我们data.table按照以下顺序对这一行进行基准测试:

DT <- data.table(x=1:1e5, y=1:1e5, z=1:1e5)
system.time(do.call("data.table", c(list(DT), list(d=1))))
   user  system elapsed 
  0.003   0.003   0.026 

哦,这非常快!让我们的基准测试相同,但值不是按顺序:

DT <- data.table(x=sample(1e5), y=sample(1e5), z=sample(1e5))
system.time(do.call("data.table", c(list(DT), list(d=1))))

   user  system elapsed 
  7.986   0.016   8.099 

# tested on 1.8.8 and 1.8.9

它变慢了.造成这种差异的原因是什么？要做到这一点,我们必须调试data.table()功能.通过做

DT <- data.table(x=as.numeric(1:1e5), y=as.numeric(1:1e5), z=as.numeric(1:1e5))
debugonce(data.table)
transform(DT, d=1)

并且通过连续点击"输入",你将能够找到这种缓慢的原因:

exptxt = as.character(tt) # roughly about 7.2 seconds

很明显,as.character成为问题.为什么？为此,请比较:

as.character(data.frame(x=1:10, y=1:10))
# [1] "1:10" "1:10"

as.character(data.frame(x=sample(10), y=sample(10)))
# [1] "c(9, 10, 4, 7, 6, 5, 1, 3, 8, 2)" "c(8, 5, 3, 7, 6, 10, 9, 1, 4, 2)"

重复此上更大的数据看出,as.character在取样data.frame得到更慢.

那么,问题就变成了,为什么不呢

data.table(x = sample(1e5), y=sample(1e5))

耗时的？这是因为,赋予data.table()函数的输入被替换(with subsitute()).在这种情况下,tt变为:

$x
sample(1e+05)

$y
sample(1e+05)

并且as.character(tt)然后就变成了:

# [1] "sample(1e+05)" "sample(1e+05)"

这意味着,如果你这样做:

DT <- data.table(x = c(1,3,4,1,4,1,3,1,2...), y = c(1,1,4,1,3,4,1,1,3...))

我认为这需要很多时间(通常不会这样做,因此没有问题).

Answer 2

来自?transform.data.table:

transform by group is particularly slow. Please use := by group instead.

within, transform and other similar functions in data.table are not just provided 
for users who expect them to work, but for non-data.table-aware packages to 
retain keys, for example. Hopefully the (much) faster and more convenient 
data.table syntax will be used in time. 

正如@Roland建议的那样,您应该始终细分代码的组件,以找出实际占用时间/资源的内容.在这种情况下,它不是log,但是transform.使用:=了data.tables,transform为data.frames,列表等.

罪魁祸首不是log:

> dt <- data.table(A=1:1000000)
> system.time(transform(as.data.frame(dt), B=A * 1))
   user  system elapsed 
   0.00    0.02    0.01 
> system.time(transform(dt, B=A * 1))
   user  system elapsed 
  14.61    0.00   14.61