R 中的 data.table 与数据框：三个关键区别

在 R 编程语言中， data.frame是 R 数据库的一部分。

任何data.frame都可以使用data.table包的setDF函数转换为data.table 。

与 R 中的 data.frame 相比，data.table 具有以下优点：

1.您可以使用 data.table 包中的fread函数将文件读取到 data.table 中，速度比基本 R 函数（例如read.csv ）快得多，后者将文件读取到 data.frame 中。

2.对 data.table 执行操作（例如分组和聚合）的速度比对 data.frame快得多。

3.当将 data.frame 打印到控制台时，R 将尝试打印 data.frame 中的每一行。但是，data.table 将仅显示前 100 行，如果您正在处理大型数据集，这可能会防止您的会话挂起或崩溃。

以下示例说明了实践中 data.frames 和 data.tables 之间的差异。

差异#1：使用 fread 导入速度更快

以下代码显示如何使用 data.table 包中的fread函数和 R 数据库中的read.csv函数导入 10,000 行和 100 列的数据框：

 library (microbenchmark)
library (data.table)

#make this example reproducible
set. seeds (1)

#create data frame with 10,000 rows and 100 columns
df <- as. data . frame (matrix(runif(10^4 * 100), nrow = 10^4))

#export CSV to current working directory
write.write. csv (df, " test.csv ", quote = FALSE )

#import CSV file using fread and read.csv and time how long it takes
results <- microbenchmark(
  read.csv = read. csv (" test.csv ", header = TRUE , stringsAsFactors = FALSE ),
  fread = fread(" test.csv ", sep = ",", stringsAsFactors = FALSE ),
  times = 10)

#view results
results

Unit: milliseconds
     expr min lq mean median uq max neval cld
 read.csv 817.1867 892.8748 1026.7071 899.5755 926.9120 1964.0540 10 b
    fread 113.5889 116.2735 136.4079 124.3816 136.0534 211.7484 10 a

从结果中我们可以看到，与read.csv函数相比， fread导入此 CSV 文件的速度大约快 10 倍。

请注意，对于较大的数据集，这种差异会更大。

差异#2：使用 data.table 进行更快的数据操作

一般来说， data.table还可以比data.frame更快地执行任何数据操作任务。

例如，以下代码显示如何计算 data.table 和 data.frame 中由另一个变量分组的变量的平均值：

 library (microbenchmark)
library (data.table)

#make this example reproducible
set.seed(1)

#create data frame with 10,000 rows and 100 columns
d_frame <- data. frame (team=rep(c(' A ', ' B '), each=5000),
                      points=c(rnorm(10000, mean=20, sd=3)))

#create data.table from data.frame
d_table <- setDT(d_frame)

#calculate mean of points grouped by team in data.frame and data.table
results <- microbenchmark(
  mean_d_frame = aggregate(d_frame$points, list(d_frame$team), FUN=mean),
  mean_d_table = d_table[ ,list(mean=mean(points)), by=team],
  times = 10)

#view results
results

Unit: milliseconds
         expr min lq mean median uq max neval cld
 mean_d_frame 2.9045 3.0077 3.11683 3.1074 3.1654 3.4824 10 b
 mean_d_table 1.0539 1.1140 1.52002 1.2075 1.2786 3.6084 10 a

从结果中，我们可以看到data.table比data.frame快大约三倍。

对于更大的数据集，这种差异会更大。

差异#3：使用 data.table 打印的行数更少

当将data.frame打印到控制台时，R 将尝试打印 data.frame 中的每一行。

但是， data.table将仅显示前 100 行，如果您正在处理大型数据集，这可能会防止您的会话挂起或崩溃。

例如，在下面的代码中，我们创建了一个数据框和一个 200 行的 data.table。

打印 data.frame 时，R 将尝试打印每一行，而打印 data.table 将仅显示前五行和后五行：

 library (data.table)

#make this example reproducible
set. seeds (1)

#create data frame
d_frame <- data. frame (x=rnorm(200),
                      y=rnorm(200),
                      z=rnorm(200))
#view data frame
d_frame

               X Y Z
1 -0.055303118 1.54858564 -2.065337e-02
2 0.354143920 0.36706204 -3.743962e-01
3 -0.999823809 -1.57842544 4.392027e-01
4 2.586214840 0.17383147 -2.081125e+00
5 -1.917692199 -2.11487401 4.073522e-01
6 0.039614766 2.21644236 1.869164e+00
7 -1.942259548 0.81566443 4.740712e-01
8 -0.424913746 1.01081030 4.996065e-01
9 -1.753210825 -0.98893038 -6.290307e-01
10 0.232382655 -1.25229873 -1.324883e+00
11 0.027278832 0.44209325 -3.221920e-01
...
#create data table
d_table <- setDT(d_frame)

#view data table
d_table

               X Y Z
  1: -0.05530312 1.54858564 -0.02065337
  2: 0.35414392 0.36706204 -0.37439617
  3: -0.99982381 -1.57842544 0.43920275
  4: 2.58621484 0.17383147 -2.08112491
  5: -1.91769220 -2.11487401 0.40735218
 ---                                    
196: -0.06196178 1.08164065 0.58609090
197: 0.34160667 -0.01886703 1.61296255
198: -0.38361957 -0.03890329 0.71377217
199: -0.80719743 -0.89674205 -0.49615702
200: -0.26502679 -0.15887435 -1.73781026

这是data.table相对于data.frame的一个优势，特别是在处理您不想意外打印到控制台的大型数据集时。

其他资源

以下教程解释了如何在 R 中执行其他常见任务：

如何在 R 中向数据框添加行
如何在 R 中保留某些列
如何在 R 中仅选择数字列