<\/p>\n
In der Programmiersprache R ist ein data.frame<\/strong> Teil der R-Datenbank.<\/span><\/p>\n Jeder data.frame<\/strong> kann mit der setDF-<\/strong> Funktion des data.table-<\/strong> Pakets in data.table<\/strong> konvertiert werden.<\/span><\/p>\n Eine data.table bietet gegen\u00fcber einem data.frame in R folgende Vorteile:<\/span><\/p>\n 1.<\/strong> Sie k\u00f6nnen die fread-<\/a> Funktion aus dem data.table-Paket verwenden, um eine Datei viel<\/em> schneller in eine data.table einzulesen als grundlegende R-Funktionen wie read.csv<\/a> , die Dateien in einen data.frame einlesen.<\/span><\/p>\n 2.<\/strong> Sie k\u00f6nnen Vorg\u00e4nge (z. B. Gruppierung und Aggregation) f\u00fcr eine Datentabelle viel<\/em> schneller ausf\u00fchren als f\u00fcr einen Datenrahmen.<\/span><\/p>\n 3.<\/strong> Beim Drucken eines Datenrahmens auf einer Konsole versucht R, jede Zeile im Datenrahmen zu drucken. Eine data.table zeigt jedoch nur die ersten 100 Zeilen an, was dazu f\u00fchren kann, dass Ihre Sitzung h\u00e4ngen bleibt oder abst\u00fcrzt, wenn Sie mit einem gro\u00dfen Datensatz arbeiten.<\/span><\/p>\n Die folgenden Beispiele veranschaulichen diese Unterschiede zwischen data.frames und data.tables in der Praxis.<\/span><\/p>\n Der folgende Code zeigt, wie ein Datenrahmen mit 10.000 Zeilen und 100 Spalten mithilfe der fread-<\/strong> Funktion aus dem data.table-Paket und der read.csv-<\/strong> Funktion aus der R-Datenbank importiert wird:<\/span><\/p>\n Aus den Ergebnissen k\u00f6nnen wir ersehen, dass fread<\/strong> diese CSV-Datei im Vergleich zur Funktion read.csv<\/strong> etwa zehnmal schneller importiert.<\/span><\/p>\n Beachten Sie, dass dieser Unterschied bei gr\u00f6\u00dferen Datens\u00e4tzen noch gr\u00f6\u00dfer ist.<\/span><\/p>\n Im Allgemeinen kann data.table<\/strong> jede Datenmanipulationsaufgabe auch viel schneller ausf\u00fchren als ein data.frame<\/strong> .<\/span><\/p>\n Der folgende Code zeigt beispielsweise, wie der Durchschnitt einer Variablen berechnet wird, gruppiert nach einer anderen Variablen sowohl in data.table als auch in data.frame:<\/span><\/p>\n Aus den Ergebnissen k\u00f6nnen wir ersehen, dass data.table<\/strong> etwa dreimal schneller ist als data.frame<\/strong> .<\/span><\/p>\n Bei gr\u00f6\u00dferen Datens\u00e4tzen wird dieser Unterschied noch gr\u00f6\u00dfer sein.<\/span><\/p>\n Beim Drucken eines data.frame<\/strong> auf einer Konsole versucht R, jede Zeile im data.frame zu drucken.<\/span><\/p>\n Eine data.table<\/strong> zeigt jedoch nur die ersten 100 Zeilen an, was dazu f\u00fchren kann, dass Ihre Sitzung h\u00e4ngen bleibt oder abst\u00fcrzt, wenn Sie mit einem gro\u00dfen Datensatz arbeiten.<\/span><\/p>\n Im folgenden Code erstellen wir beispielsweise sowohl einen Datenrahmen als auch eine data.table mit 200 Zeilen.<\/span><\/p>\n Beim Drucken des data.frame versucht R, jede Zeile zu drucken, w\u00e4hrend beim Drucken der data.table nur die ersten f\u00fcnf Zeilen und die letzten f\u00fcnf Zeilen angezeigt werden:<\/span><\/p>\n Dies ist ein Vorteil, den data.table<\/strong> gegen\u00fcber data.frame<\/strong> bietet, insbesondere wenn Sie mit gro\u00dfen Datens\u00e4tzen arbeiten, die Sie nicht versehentlich auf der Konsole drucken m\u00f6chten.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So f\u00fcgen Sie Zeilen zu einem Datenrahmen in R hinzu<\/a> In der Programmiersprache R ist ein data.frame Teil der R-Datenbank. Jeder data.frame kann mit der setDF- Funktion des data.table- Pakets in data.table konvertiert werden. Eine data.table bietet gegen\u00fcber einem data.frame in R folgende Vorteile: 1. Sie k\u00f6nnen die fread- Funktion aus dem data.table-Paket verwenden, um eine Datei viel schneller in eine data.table einzulesen als grundlegende […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Unterschied Nr. 1: Schnellerer Import mit fread<\/strong><\/span><\/h2>\n
library<\/span> (microbenchmark)\nlibrary<\/span> (data.table)\n\n#make this example reproducible\n<\/span>set. seeds<\/span> (1)\n\n#create data frame with 10,000 rows and 100 columns\n<\/span>df <- as. data<\/span> . frame<\/span> (matrix(runif(10^4 * 100), nrow = 10^4))\n\n#export CSV to current working directory\n<\/span>write.write. csv<\/span> (df, \" test.csv<\/span> \", quote = FALSE<\/span> )\n\n#import CSV file using fread and read.csv and time how long it takes\n<\/span>results <- microbenchmark(\n read.csv = read. csv<\/span> (\" test.csv<\/span> \", header = TRUE<\/span> , stringsAsFactors = FALSE<\/span> ),\n fread = fread(\" test.csv<\/span> \", sep = \",\", stringsAsFactors = FALSE<\/span> ),\n times = 10)\n\n#view results\n<\/span>results\n\nUnit: milliseconds\n expr min lq mean median uq max neval cld\n read.csv 817.1867 892.8748 1026.7071 899.5755 926.9120 1964.0540 10 b\n fread 113.5889 116.2735 136.4079 124.3816 136.0534 211.7484 10 a<\/strong><\/pre>\n Unterschied Nr. 2: Schnellere Datenmanipulation mit data.table<\/strong><\/span><\/h2>\n
library<\/span> (microbenchmark)\nlibrary<\/span> (data.table)\n\n#make this example reproducible\n<\/span>set.seed(1)\n\n#create data frame with 10,000 rows and 100 columns\nd_frame <- data. frame<\/span> (team=rep(c(' A<\/span> ', ' B<\/span> '), each=5000),\n points=c(rnorm(10000, mean=20, sd=3)))\n\n#create data.table from data.frame\n<\/span>d_table <- setDT(d_frame)\n\n#calculate mean of points grouped by team in data.frame and data.table\n<\/span>results <- microbenchmark(\n mean_d_frame = aggregate(d_frame$points, list(d_frame$team), FUN=mean),\n mean_d_table = d_table[ ,list(mean=mean(points)), by=team],\n times = 10)\n\n#view results\n<\/span>results\n\nUnit: milliseconds\n expr min lq mean median uq max neval cld\n mean_d_frame 2.9045 3.0077 3.11683 3.1074 3.1654 3.4824 10 b\n mean_d_table 1.0539 1.1140 1.52002 1.2075 1.2786 3.6084 10 a<\/strong><\/span><\/pre>\n Unterschied Nr. 3: Mit data.table werden weniger Zeilen gedruckt<\/strong><\/span><\/h2>\n
library<\/span> (data.table)\n\n#make this example reproducible\n<\/span>set. seeds<\/span> (1)\n\n#create data frame\n<\/span>d_frame <- data. frame<\/span> (x=rnorm(200),\n y=rnorm(200),\n z=rnorm(200))\n#view data frame\n<\/span>d_frame\n\n X Y Z\n1 -0.055303118 1.54858564 -2.065337e-02\n2 0.354143920 0.36706204 -3.743962e-01\n3 -0.999823809 -1.57842544 4.392027e-01\n4 2.586214840 0.17383147 -2.081125e+00\n5 -1.917692199 -2.11487401 4.073522e-01\n6 0.039614766 2.21644236 1.869164e+00\n7 -1.942259548 0.81566443 4.740712e-01\n8 -0.424913746 1.01081030 4.996065e-01\n9 -1.753210825 -0.98893038 -6.290307e-01\n10 0.232382655 -1.25229873 -1.324883e+00\n11 0.027278832 0.44209325 -3.221920e-01\n...\n#create data table\n<\/span>d_table <- setDT(d_frame)\n\n#view data table\n<\/span>d_table\n\n X Y Z\n 1: -0.05530312 1.54858564 -0.02065337\n 2: 0.35414392 0.36706204 -0.37439617\n 3: -0.99982381 -1.57842544 0.43920275\n 4: 2.58621484 0.17383147 -2.08112491\n 5: -1.91769220 -2.11487401 0.40735218\n --- \n196: -0.06196178 1.08164065 0.58609090\n197: 0.34160667 -0.01886703 1.61296255\n198: -0.38361957 -0.03890329 0.71377217\n199: -0.80719743 -0.89674205 -0.49615702\n200: -0.26502679 -0.15887435 -1.73781026<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So behalten Sie bestimmte Spalten in R bei<\/a>
So w\u00e4hlen Sie in R nur numerische Spalten aus<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"