Агрегирование значений во фрейме данных на основе ключа - PullRequest
Новая
       37

Агрегирование значений во фрейме данных на основе ключа

9 голосов
/ 25 июля 2011

У меня есть фрагмент кода агрегации, который работает достаточно хорошо, но работает немного медленно для фрейма данных с 10e6 строками.Я не настолько опытен в R, поэтому прошу прощения за мой кропотливый код!

Я просто хочу сделать базовое свертывание и сумму значений для общего ключа ...

например, goот ... 

  key val
1   a   5
2   b   7
3   a   6

до ... 

  key val
1   a   11
2   b   7

лучшее, что я могу сделать, это ... 

keys = unique(inp$key)
vals = sapply(keys, function(x) { sum(inp[inp$key==x,]$val) })
out = data.frame(key=keys, val=vals)

У меня такое чувство, чтоinp[inp$key==x,] не лучший способ.Есть ли очевидное ускорение, которое я пропускаю?Я могу сделать это в Hadoop (поскольку набор данных 10e6 на самом деле уже является накопительным пакетом из набора данных строк 2e9), но я пытаюсь улучшить мой R.

Cheers, Mat

Ответы [ 4 ]

8 голосов
/ 25 июля 2011

вы можете использовать aggregate: 

> d
  key val
1   a   5
2   b   7
3   a   6
> aggregate(val~key, sum, data=d)
  key val
1   a  11
2   b   7

вы также можете использовать ddply из пакета plyr hadley: 

> ddply(d, .(key), summarize, val=sum(val))
  key val
1   a  11
2   b   7
5 голосов
/ 25 июля 2011

Другая опция, использующая tapply: 

dat <- data.frame(key = c('a', 'b', 'a'), val = c(5,7,6))

> with(dat, tapply(val, key, FUN = sum))
 a  b 
11  7

Мои тесты показывают, что это самый быстрый метод для этого конкретного упражнения, очевидно, ваши мили могут отличаться: 

fn.tapply <- function(daters) with(daters, tapply(val, key, FUN = sum))
fn.aggregate <- function(daters) aggregate(val~key, sum, data = daters)
fn.ddply <- function(daters) ddply(daters, .(key), summarize, val = sum(val))


library(rbenchmark)

benchmark(fn.tapply(dat), fn.aggregate(dat), fn.ddply(dat)
          , columns = c("test", "elapsed", "relative")
          , order = "relative"
          , replications = 100
          )


               test elapsed  relative
1    fn.tapply(dat)    0.03  1.000000
2 fn.aggregate(dat)    0.20  6.666667
3     fn.ddply(dat)    0.30 10.000000

Обратите внимание, что преобразование решения tapply в data.frame сократило эту разницу наполовину на ~ 40% для сравнения истинных яблок с яблоками по сравнению с первыми двумя.

Использование набора данных строки 1M, как указано в комментариях, кажется, немного меняет положение: 

 dat2 <- data.frame(key = rep(letters[1:5], each = 200000), val = runif(1e6))
> benchmark(fn.tapply(dat2), fn.aggregate(dat2), fn.ddply(dat2)
+           , columns = c("test", "elapsed", "relative")
+           , order = "relative"
+           , replications = 100
+           )
               test elapsed relative
1   fn.tapply(dat2)  39.114 1.000000
3     fn.ddply(dat2)  62.178 1.589661
2 fn.aggregate(dat2) 157.463 4.025745
4 голосов
/ 27 ноября 2011

Технически вы сказали «фрейм данных», но другой гораздо более быстрый вариант (более чем в 22 раза быстрее) - это использование пакета data.table.

Вот эталон для 10 повторений по 10e6 строк. 

library(rbenchmark)
library(plyr)
library(data.table)

key <- sample(letters,10e6, replace = T)
val <- sample.int(10,10e6, replace = T)
big_df <- data.frame(key,val)
rm(key)
rm(val)
big_dtable <- data.table(big_df)
setkey(big_dtable,key)

fn.data_table <- function(mydata) mydata[,list(sum = sum(val)), by = 'key']
fn.tapply <- function(mydata) with(mydata, tapply(val, key, FUN = sum))
fn.aggregate <- function(mydata) aggregate(val~key, sum, data = mydata)
fn.ddply <- function(mydata) ddply(mydata, .(key), summarize, val = sum(val))

А теперь эталон .... 

benchmark(fn.data_table(big_dtable)
          , fn.tapply(big_df)
          , fn.aggregate(big_df)
          , fn.ddply(big_df)
          , fn.ddply(big_dtable)
          , columns = c("test","elapsed","relative")
          , order = "relative"
          , replications = 10         
          )

И результат .... 

                       test elapsed  relative
1 fn.data_table(big_dtable)    1.98   1.00000
5      fn.ddply(big_dtable)   37.59  18.98485
4          fn.ddply(big_df)   44.36  22.40404
2         fn.tapply(big_df)   51.03  25.77273
3      fn.aggregate(big_df)  238.52 120.46465
4 голосов
/ 25 июля 2011

Использование sapply и split - еще один вариант.Я расширю данные и тесты из превосходного ответа @ Chase. 

fn.tapply <- function(daters) with(daters, tapply(val, key, FUN = sum))
fn.split <- function(daters) with(daters, sapply(split(val, key), sum))

str(dat)
# 'data.frame': 1000000 obs. of  2 variables:
#  $ key: Factor w/ 5 levels "a","b","c","d",..: 1 1 1 1 1 1 1 1 1 1 ...
#  $ val: num  0.186 0.875 0.42 0.294 0.878 ...

benchmark(fn.tapply(dat), fn.split(dat)
          , columns = c("test", "elapsed", "relative")
          , order = "relative"
          , replications = 100
          )
#             test elapsed relative
# 2  fn.split(dat)   4.106  1.00000
# 1 fn.tapply(dat)  69.982 17.04384
...