Data.table versus dataframe in r: drie belangrijke verschillen

In de programmeertaal R maakt een data.frame deel uit van de R-database.

Elk data.frame kan worden geconverteerd naar data.table met behulp van de setDF- functie van het data.table- pakket.

Een data.table biedt de volgende voordelen ten opzichte van een data.frame in R:

1. U kunt de fread- functie uit het data.table-pakket gebruiken om een bestand veel sneller in een data.table te lezen dan standaard R-functies zoals read.csv , die bestanden in een data.frame lezen.

2. U kunt bewerkingen (zoals groeperen en aggregeren) veel sneller uitvoeren op een data.table dan op een data.frame.

3. Wanneer een data.frame naar een console wordt afgedrukt, zal R proberen elke rij in het data.frame af te drukken. Een data.table geeft echter alleen de eerste 100 rijen weer, wat kan voorkomen dat uw sessie vastloopt of crasht als u met een grote dataset werkt.

De volgende voorbeelden illustreren deze verschillen tussen data.frames en data.tables in de praktijk.

Verschil #1: Snellere import met moeite

De volgende code laat zien hoe u een dataframe van 10.000 rijen en 100 kolommen importeert met behulp van de fread- functie uit het data.table-pakket en de read.csv- functie uit de R-database:

 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

Uit de resultaten kunnen we zien dat fread ongeveer 10 keer sneller is om dit CSV-bestand te importeren vergeleken met de read.csv- functie.

Merk op dat dit verschil nog groter zal zijn voor grotere datasets.

Verschil #2: snellere gegevensmanipulatie met data.table

Over het algemeen kan data.table elke taak voor gegevensmanipulatie ook veel sneller uitvoeren dan een data.frame .

De volgende code laat bijvoorbeeld zien hoe u het gemiddelde van een variabele berekent, gegroepeerd op een andere variabele in zowel data.table als data.frame:

 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

Uit de resultaten kunnen we zien dat data.table ongeveer drie keer sneller is dan data.frame .

Voor grotere datasets zal dit verschil nog groter zijn.

Verschil #3: Minder rijen afgedrukt met data.table

Wanneer een data.frame naar een console wordt afgedrukt, zal R proberen elke rij in het data.frame af te drukken.

Een data.table geeft echter alleen de eerste 100 rijen weer, wat kan voorkomen dat uw sessie vastloopt of crasht als u met een grote dataset werkt.

In de volgende code maken we bijvoorbeeld zowel een dataframe als een data.table van 200 rijen.

Bij het afdrukken van het data.frame zal R proberen elke rij af te drukken, terwijl het afdrukken van data.table alleen de eerste vijf rijen en de laatste vijf rijen zal weergeven:

 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

Dit is een voordeel dat data.table biedt ten opzichte van data.frame , vooral als je werkt met grote datasets die je niet per ongeluk naar de console wilt afdrukken.

Aanvullende bronnen

In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in R kunt uitvoeren:

Rijen toevoegen aan een dataframe in R
Hoe bepaalde kolommen in R te behouden
Alleen numerieke kolommen selecteren in R