<\/p>\n
Dalam bahasa pemrograman R, data.frame<\/strong> adalah bagian dari database R.<\/span><\/p>\n Data.frame<\/strong> apa pun dapat dikonversi ke data.table<\/strong> menggunakan fungsi setDF<\/strong> dari paket data.table<\/strong> .<\/span><\/p>\n Data.table menawarkan keuntungan berikut dibandingkan data.frame di R:<\/span><\/p>\n 1.<\/strong> Anda dapat menggunakan fungsi fread<\/a> dari paket data.table untuk membaca file ke dalam data.table jauh<\/em> lebih cepat daripada fungsi dasar R seperti read.csv<\/a> , yang membaca file ke dalam data.frame.<\/span><\/p>\n 2.<\/strong> Anda dapat melakukan operasi (seperti pengelompokan dan agregasi) pada data.tabel jauh<\/em> lebih cepat daripada data.frame.<\/span><\/p>\n 3.<\/strong> Saat mencetak data.frame ke konsol, R akan mencoba mencetak setiap baris di data.frame. Namun, data.table hanya akan menampilkan 100 baris pertama, yang dapat mencegah sesi Anda terhenti atau terhenti jika Anda bekerja dengan kumpulan data yang besar.<\/span><\/p>\n Contoh berikut menggambarkan perbedaan antara data.frames dan data.tables dalam praktiknya.<\/span><\/p>\n Kode berikut menunjukkan cara mengimpor bingkai data 10.000 baris dan 100 kolom menggunakan fungsi fread<\/strong> dari paket data.table dan fungsi read.csv<\/strong> dari database R:<\/span><\/p>\n Dari hasilnya, kita dapat melihat bahwa fread<\/strong> 10 kali lebih cepat untuk mengimpor file CSV ini dibandingkan dengan fungsi read.csv<\/strong> .<\/span><\/p>\n Perhatikan bahwa perbedaan ini akan lebih besar untuk kumpulan data yang lebih besar.<\/span><\/p>\n Secara umum, data.table<\/strong> juga dapat melakukan tugas manipulasi data apa pun lebih cepat daripada data.frame<\/strong> .<\/span><\/p>\n Misalnya, kode berikut menunjukkan cara menghitung rata-rata suatu variabel, yang dikelompokkan berdasarkan variabel lain di data.table dan data.frame:<\/span><\/p>\n Dari hasilnya, kita dapat melihat bahwa data.table<\/strong> tiga kali lebih cepat dibandingkan data.frame<\/strong> .<\/span><\/p>\n Untuk kumpulan data yang lebih besar, perbedaan ini akan semakin besar.<\/span><\/p>\n Saat mencetak data.frame<\/strong> ke konsol, R akan mencoba mencetak setiap baris di data.frame.<\/span><\/p>\n Namun, data.table<\/strong> hanya akan menampilkan 100 baris pertama, yang dapat mencegah sesi Anda terhenti atau terhenti jika Anda bekerja dengan kumpulan data yang besar.<\/span><\/p>\n Misalnya, dalam kode berikut, kita membuat bingkai data dan tabel data sebanyak 200 baris.<\/span><\/p>\n Saat mencetak data.frame, R akan mencoba mencetak setiap baris sementara mencetak data.tabel hanya akan menampilkan lima baris pertama dan lima baris terakhir:<\/span><\/p>\n Ini adalah keuntungan yang ditawarkan data.table<\/strong> dibandingkan data.frame<\/strong> , terutama saat bekerja dengan kumpulan data besar yang tidak ingin Anda cetak ke konsol secara tidak sengaja.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:<\/span><\/p>\n Bagaimana cara menambahkan baris ke bingkai data di R<\/a> Dalam bahasa pemrograman R, data.frame adalah bagian dari database R. Data.frame apa pun dapat dikonversi ke data.table menggunakan fungsi setDF dari paket data.table . Data.table menawarkan keuntungan berikut dibandingkan data.frame di R: 1. Anda dapat menggunakan fungsi fread dari paket data.table untuk membaca file ke dalam data.table jauh lebih cepat daripada fungsi dasar R seperti […]<\/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 Perbedaan #1: Impor lebih cepat dengan 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 Perbedaan #2: Manipulasi data lebih cepat dengan 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 Perbedaan #3: Lebih sedikit baris yang dicetak dengan data.table<\/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 Sumber daya tambahan<\/strong><\/span><\/h2>\n
Bagaimana cara mempertahankan kolom tertentu di R<\/a>
Cara memilih hanya kolom numerik di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"