是否()函数生成增长列表

Question

该by函数是否生成一次只增长一个元素的列表？

我需要处理一个数据框,其中大约有4M观测值按因子列分组.情况类似于以下示例:

> # Make 4M rows of data
> x = data.frame(col1=1:4000000, col2=10000001:14000000)
> # Make a factor
> x[,"f"] = x[,"col1"] - x[,"col1"] %% 5
>   
> head(x)
  col1     col2 f
1    1 10000001 0
2    2 10000002 0
3    3 10000003 0
4    4 10000004 0
5    5 10000005 5
6    6 10000006 5

现在,tapply其中一个列需要一段合理的时间:

> t1 = Sys.time()
> z = tapply(x[, 1], x[, "f"], mean)
> Sys.time() - t1
Time difference of 22.14491 secs

但如果我这样做:

z = by(x[, 1], x[, "f"], mean)

几乎没有在同一时间完成(我在一分钟后放弃了).

当然,在上面的例子中,tapply可以使用,但实际上我需要一起处理多个列.有什么更好的方法呢？

Answer 1

by比它慢，tapply因为它正在包装by。让我们看一下一些基准：tapply在这种情况下比使用快 3 倍以上by

已更新以包括@Roland 的精彩推荐：

library(rbenchmark)
library(data.table)
dt <- data.table(x,key="f")

using.tapply <- quote(tapply(x[, 1], x[, "f"], mean))
using.by <- quote(by(x[, 1], x[, "f"], mean))
using.dtable <- quote(dt[,mean(col1),by=key(dt)])

times <- benchmark(using.tapply, using.dtable, using.by, replications=10, order="relative")
times[,c("test", "elapsed", "relative")] 

#------------------------#
#         RESULTS        # 
#------------------------#

#       COMPARING tapply VS by     #
#-----------------------------------
#              test elapsed relative
#   1  using.tapply   2.453    1.000
#   2      using.by   8.889    3.624

#   COMPARING data.table VS tapply VS by   #
#------------------------------------------#
#             test elapsed relative
#   2  using.dtable   0.168    1.000
#   1  using.tapply   2.396   14.262
#   3      using.by   8.566   50.988

如果x$f是一个因素的话，tapply和by之间的效率损失就更大了！

不过，请注意，它们相对于非因子输入都有所改善，而 data.table 保持大致相同或更差

x[, "f"] <- as.factor(x[, "f"])
dt <- data.table(x,key="f")
times <- benchmark(using.tapply, using.dtable, using.by, replications=10, order="relative")
times[,c("test", "elapsed", "relative")] 

#               test elapsed relative
#   2   using.dtable   0.175    1.000
#   1   using.tapply   1.803   10.303
#   3       using.by   7.854   44.880

至于为什么，简短的答案就在文档本身中。

?by:

描述

Function by 是应用于数据帧的 Tapply 的面向对象包装器。

让我们看一下by（或更具体地说，by.data.frame）的来源：

by.data.frame
function (data, INDICES, FUN, ..., simplify = TRUE) 
{
    if (!is.list(INDICES)) {
        IND <- vector("list", 1L)
        IND[[1L]] <- INDICES
        names(IND) <- deparse(substitute(INDICES))[1L]
    }
    else IND <- INDICES
    FUNx <- function(x) FUN(data[x, , drop = FALSE], ...)
    nd <- nrow(data)
    ans <- eval(substitute(tapply(seq_len(nd), IND, FUNx, simplify = simplify)), 
        data)
    attr(ans, "call") <- match.call()
    class(ans) <- "by"
    ans
}

我们立即看到仍然有一个调用tapply加上很多额外的内容（包括调用deparse(substitute(.))和 aneval(substitute(.))两者都相对较慢）。tapply因此，您的速度比类似的调用相对更快是有道理的by。