将字符串日期转换为所有日期的R Date FAST

Question

这已被问过几次,但没有明确的答案:我想将一个形式为"YYYY-mm-dd"的R字符串转换成一个Date.该as.Date功能是非常缓慢的. 将字符转换为日期*快速*在R中提供使用的解决方案fasttime,适用于1970年以后的日期.我的问题是我有从1900年开始的日期,我需要转换,其中大约有1亿.我必须经常这样做,所以速度很重要.还有其他解决方案吗？

Answer 1

我可以通过使用date包获得一点加速:

library(date)
set.seed(21)
x <- as.character(Sys.Date()-sample(40000, 1e6, TRUE))
system.time(dDate <- as.Date(x))
#    user  system elapsed 
#    6.54    0.01    6.56 
system.time(ddate <- as.Date(as.date(x,"ymd")))
#    user  system elapsed 
#    3.42    0.22    3.64 

您可能希望查看它使用的C代码,看看是否可以根据具体情况对其进行修改.

Answer 2

我不久前遇到过类似的问题,并提出了以下解决方案:

1. 将字符串转换为因子(如果还不是因素)
2. 将因子的级别转换为日期
3. 使用因子的索引向量将转换后的级别扩展到解决方案

扩展Joshua Ulrich的例子,我得到了(我的笔记本电脑上的时间更慢)

library(date)
set.seed(21)
x <- as.character(Sys.Date()-sample(40000, 1e6, TRUE))
system.time(dDate <- as.Date(x))
#    user  system elapsed 
#    12.09   0.00   12.12 
system.time(ddate <- as.Date(as.date(x,"ymd")))
#    user  system elapsed 
#    6.97    0.04    7.05 
system.time({
    xf <- as.factor(x)
    dDate <- as.Date(levels(xf))[as.integer(xf)]
})
#    user  system elapsed 
#    1.16    0.00    1.15

这里,一旦x足够大并且步骤3非常好地缩放(简单矢量索引),步骤2不依赖于x的长度.瓶颈应该是步骤1,如果数据已经存储为因素,则可以避免这种情况.

Answer 3

parse_date_time'lubridate' 包中的函数也非常快：

library(date)
library(lubridate)
set.seed(21)
x <- as.character(Sys.Date()-sample(40000, 1e6, TRUE))
system.time(date1 <- as.Date(x))
#  user  system elapsed 
# 12.86    0.00   12.94 
system.time(date2 <- as.Date(as.date(x,"ymd"))) # from package 'date'
#  user  system elapsed 
#  4.82    0.00    4.85 
system.time(date3 <- as.Date(parse_date_time(x,'%y-%m-%d'))) # from package 'lubridate'
#  user  system elapsed 
#  0.27    0.00    0.26 
all(date1 == date2)
#  TRUE
all(date1 == date3)
#  TRUE

Answer 4

进一步加速：您已经在使用 data.table。因此，使用您的日期创建一个查找表并将它们与您的数据合并。

library(lubridate)
library(data.table)

y <- seq(as.Date('1900-01-01'), Sys.Date(), by = 'day')
id.date <- data.table(id = as.character(y), date = as.Date(y), key = 'id')

set.seed(21)
x <- as.character(Sys.Date()-sample(40000, 1e6, TRUE))

system.time(date3 <- as.Date(parse_date_time(x,'%y-%m-%d'))) # from package 'lubridate'
#  user  system elapsed 
#  0.15  0.00   0.15  

system.time(date4 <- id.date[setDT(list(id = x)), on='id', date])
#  user  system elapsed 
#  0.08  0.00   0.08

all(date3 == date4)
# TRUE

这是一种解决方法，但我相信这就是 data.table 的用途。我不知道上面提到的时间/日期包内部是基于算法还是基于查找表（哈希表）。

对于较大的数据集，每当涉及字符操作（这往往很慢）时，我会考虑切换到查找参考表。

Answer 5

考虑令人难以置信的快速anytime库，它适用于 1970< 问题。它使用 Boost date_time C++ 库并提供函数anytime()和anydate()转换。比较：

require(anytime)        #anydate()
require(lubridate)      #parse_date_time()
require(microbenchmark) #microbenchmark()

set.seed(21)
test.dd <- as.Date("2018-05-16") - sample(40000, 1e6, TRUE) #1 mln. random dates

microbenchmark(
    strptime(test.dd, "%Y-%m-%d"),                     #basic strptime
    parse_date_time(test.dd, orders = "ymd"),          #lubridate (POSIXct class)
    as.Date(parse_date_time(test.dd, orders = "ymd")), #lubridate + date class conversion
    anydate(test.dd),                                  #anytime library
    times = 10L, unit = "s"
)

结果/输出：

Unit: seconds
                                             expr          min           lq         mean       median           uq          max neval cld
                    strptime(test.dd, "%Y-%m-%d") 10.177406012 10.472527403 1.064532e+01 10.621221596 10.819156870 11.288330598    10   c
         parse_date_time(test.dd, orders = "ymd")  4.541542019  4.603663894 4.844961e+00  4.869800287  5.055844972  5.128409226    10  b 
as.Date(parse_date_time(test.dd, orders = "ymd"))  4.461140695  4.568415584 4.867837e+00  4.739026273  5.080610126  5.532028490    10  b 
                                 anydate(test.dd)  0.000000755  0.000004909 5.777500e-06  0.000005664  0.000006042  0.000012839    10 a 

ps 要处理时间序列，请考虑flipTime库。它具有所有必需的工具，并且几乎与anytime转换目的一样快：

require(devtools)
install_github("Displayr/flipTime")