<\/p>\n
Nel linguaggio di programmazione R, un data.frame<\/strong> fa parte del database R.<\/span><\/p>\n Qualsiasi data.frame<\/strong> pu\u00f2 essere convertito in data.table<\/strong> utilizzando la funzione setDF<\/strong> del pacchetto data.table<\/strong> .<\/span><\/p>\n Un data.table offre i seguenti vantaggi rispetto a un data.frame in R:<\/span><\/p>\n 1.<\/strong> \u00c8 possibile utilizzare la funzione fread<\/a> dal pacchetto data.table per leggere un file in un data.table molto<\/em> pi\u00f9 velocemente delle funzioni R di base come read.csv<\/a> , che leggono i file in un data.frame.<\/span><\/p>\n 2.<\/strong> \u00c8 possibile eseguire operazioni (come raggruppamento e aggregazione) su un data.table molto<\/em> pi\u00f9 velocemente di un data.frame.<\/span><\/p>\n 3.<\/strong> Quando si stampa un data.frame su una console, R tenter\u00e0 di stampare ogni riga nel data.frame. Tuttavia, un data.table mostrer\u00e0 solo le prime 100 righe, il che potrebbe impedire il blocco o l’arresto anomalo della sessione se stai lavorando con un set di dati di grandi dimensioni.<\/span><\/p>\n Gli esempi seguenti illustrano nella pratica queste differenze tra data.frames e data.tables.<\/span><\/p>\n Il codice seguente mostra come importare un frame di dati di 10.000 righe e 100 colonne utilizzando la funzione fread<\/strong> dal pacchetto data.table e la funzione read.csv<\/strong> dal database R:<\/span><\/p>\n Dai risultati, possiamo vedere che fread<\/strong> \u00e8 circa 10 volte pi\u00f9 veloce nell’importare questo file CSV rispetto alla funzione read.csv<\/strong> .<\/span><\/p>\n Tieni presente che questa differenza sar\u00e0 ancora maggiore per set di dati pi\u00f9 grandi.<\/span><\/p>\n In generale, data.table<\/strong> pu\u00f2 anche eseguire qualsiasi attivit\u00e0 di manipolazione dei dati molto pi\u00f9 velocemente di data.frame<\/strong> .<\/span><\/p>\n Ad esempio, il codice seguente mostra come calcolare la media di una variabile, raggruppata da un’altra variabile sia in data.table che in data.frame:<\/span><\/p>\n Dai risultati, possiamo vedere che data.table<\/strong> \u00e8 circa tre volte pi\u00f9 veloce di data.frame<\/strong> .<\/span><\/p>\n Per set di dati pi\u00f9 grandi, questa differenza sar\u00e0 ancora maggiore.<\/span><\/p>\n Quando si stampa un data.frame<\/strong> su una console, R tenter\u00e0 di stampare ogni riga nel data.frame.<\/span><\/p>\n Tuttavia, un data.table<\/strong> mostrer\u00e0 solo le prime 100 righe, il che potrebbe impedire il blocco o l’arresto anomalo della sessione se stai lavorando con un set di dati di grandi dimensioni.<\/span><\/p>\n Ad esempio, nel codice seguente creiamo sia un data frame che una data.table di 200 righe.<\/span><\/p>\n Quando si stampa data.frame, R tenter\u00e0 di stampare ogni riga mentre stampando data.table verranno visualizzate solo le prime cinque righe e le ultime cinque righe:<\/span><\/p>\n Questo \u00e8 un vantaggio offerto da data.table<\/strong> rispetto a data.frame<\/strong> , soprattutto quando si lavora con set di dati di grandi dimensioni che non si desidera stampare accidentalmente sulla console.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in R:<\/span><\/p>\n Come aggiungere righe a un frame di dati in R<\/a> Nel linguaggio di programmazione R, un data.frame fa parte del database R. Qualsiasi data.frame pu\u00f2 essere convertito in data.table utilizzando la funzione setDF del pacchetto data.table . Un data.table offre i seguenti vantaggi rispetto a un data.frame in R: 1. \u00c8 possibile utilizzare la funzione fread dal pacchetto data.table per leggere un file in un […]<\/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 Differenza n. 1: importazione pi\u00f9 rapida con 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 Differenza n. 2: manipolazione dei dati pi\u00f9 rapida con 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 Differenza n. 3: meno righe stampate con 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 Risorse addizionali<\/strong><\/span><\/h2>\n
Come preservare alcune colonne in R<\/a>
Come selezionare solo colonne numeriche in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"