Ale*_*lex 6 split r apply plyr data.table
我正在做R中的经典拆分应用重组.我的数据集随着时间的推移是一堆公司.我正在进行的应用是为每家公司运行回归并返回残差,因此,我不是按公司汇总. plyr这很好,但是当公司数量很大时,需要很长时间才能运行.有没有办法做到这一点data.table？
样本数据:
dte, id, val1, val2
2001-10-02, 1, 10, 25
2001-10-03, 1, 11, 24
2001-10-04, 1, 12, 23
2001-10-02, 2, 13, 22
2001-10-03, 2, 14, 21
我需要按每个id(即1和2)进行拆分.运行回归,返回残差并将其作为列添加到我的数据中.有没有办法使用data.table？
对于v1.8.0(目前在CRAN上),DWin的答案是正确的.但是在v1.8.1(在R-Forge存储库中),:=现在按组工作.它也适用于非连续组,因此不需要setkey首先排队.
dtb <- as.data.table(dat)
dtb
dte id val1 val2
1: 2001-10-02 1 10 25
2: 2001-10-03 1 11 24
3: 2001-10-04 1 12 23
4: 2001-10-02 2 13 22
5: 2001-10-03 2 14 21
dtb[, resid:=residuals(lm(val1 ~ val2)), by=id]
dte id val1 val2 resid
1: 2001-10-02 1 10 25 1.631688e-15
2: 2001-10-03 1 11 24 -3.263376e-15
3: 2001-10-04 1 12 23 1.631688e-15
4: 2001-10-02 2 13 22 0.000000e+00
5: 2001-10-03 2 14 21 0.000000e+00
要升级到v1.8.1,只需从R-Forge repo安装即可.(从R-Forge安装任何二进制包时需要R 2.15.0+):
install.packages("data.table", repos="http://R-Forge.R-project.org")
如果你不能升级到最新的R. data.table本身只需要R 2.12.0+ 或从源安装 .
扩展到1MM案例:
DT = data.table(dte=Sys.Date()+1:1000000,
id=sample(1:2, 1000000, repl=TRUE),
val1=runif(1000000), val2=runif(1000000) )
setkey(DT, id)
system.time(ans1 <- cbind(DT, DT[, residuals(lm(val1 ~ val2)), by="id"]) )
user system elapsed
12.272 0.872 13.182
ans1
dte id val1 val2 id V1
1: 2012-07-02 1 0.8369147 0.57553383 1 0.336647598
2: 2012-07-05 1 0.0109102 0.02532214 1 -0.488633325
3: 2012-07-06 1 0.4977762 0.16607786 1 -0.001952414
---
999998: 4750-05-27 2 0.1296722 0.62645838 2 -0.370627034
999999: 4750-05-28 2 0.2686352 0.04890710 2 -0.231952238
1000000: 4750-05-29 2 0.9981029 0.91626787 2 0.497948275
system.time(DT[, resid:=residuals(lm(val1 ~ val2)), by=id])
user system elapsed
7.436 0.648 8.107
DT
dte id val1 val2 resid
1: 2012-07-02 1 0.8369147 0.57553383 0.336647598
2: 2012-07-05 1 0.0109102 0.02532214 -0.488633325
3: 2012-07-06 1 0.4977762 0.16607786 -0.001952414
---
999998: 4750-05-27 2 0.1296722 0.62645838 -0.370627034
999999: 4750-05-28 2 0.2686352 0.04890710 -0.231952238
1000000: 4750-05-29 2 0.9981029 0.91626787 0.497948275
上面的示例只有2组,在40MB以下非常小,并且Rprof显示96%的时间用于lm.所以在这些情况下:=,小组并不是真正的速度优势,而是为了方便; 即,编写所需的代码较少,并且没有多余的列添加到输出中.随着尺寸的增长,避免副本进入其中并且速度优势开始显现.特别是,transform在j将非常慢下来的群体数量的增加.
我猜这需要按"id"排序才能正确排列.幸运的是,当您设置密钥时会自动发生:
dat <-read.table(text="dte, id, val1, val2
2001-10-02, 1, 10, 25
2001-10-03, 1, 11, 24
2001-10-04, 1, 12, 23
2001-10-02, 2, 13, 22
2001-10-03, 2, 14, 21
", header=TRUE, sep=",")
dtb <- data.table(dat)
setkey(dtb, "id")
dtb[, residuals(lm(val1 ~ val2)), by="id"]
#---------------
cbind(dtb, dtb[, residuals(lm(val1 ~ val2)), by="id"])
#---------------
dte id val1 val2 id.1 V1
[1,] 2001-10-02 1 10 25 1 1.631688e-15
[2,] 2001-10-03 1 11 24 1 -3.263376e-15
[3,] 2001-10-04 1 12 23 1 1.631688e-15
[4,] 2001-10-02 2 13 22 2 0.000000e+00
[5,] 2001-10-03 2 14 21 2 0.000000e+00
> dat <- data.frame(dte=Sys.Date()+1:1000000,
id=sample(1:2, 1000000, repl=TRUE),
val1=runif(1000000), val2=runif(1000000) )
> dtb <- data.table(dat)
> setkey(dtb, "id")
> system.time( cbind(dtb, dtb[, residuals(lm(val1 ~ val2)), by="id"]) )
user system elapsed
1.696 0.798 2.466
> system.time( dtb[,transform(.SD,r = residuals(lm(val1~val2))),by = "id"] )
user system elapsed
1.757 0.908 2.690
来自Matthew的编辑:这对于CRAN上的v1.8.0来说都是正确的.随着加入少量是transform在j为主题data.table维基点2:"对于速度不transform()按组,cbind()继".但是,:=现在按照v1.8.1中的小组工作,既简单又快速.请参阅我的答案以进行说明(但无需投票).
好吧,我投了赞成票.这是在Mac上安装v 1.8.1的控制台命令(如果你有合适的XCode工具,因为它只在源代码中存在):
install.packages("data.table", repos= "http://R-Forge.R-project.org", type="source",
lib="/Library/Frameworks/R.framework/Versions/2.14/Resources/lib")
(出于某种原因,我无法让Mac GUI包安装程序将r-forge作为存储库读取.)