Data.table a ramka danych w r: trzy kluczowe różnice

W języku programowania R ramka danych jest częścią bazy danych R.

Dowolną ramkę data.frame można przekonwertować na data.table za pomocą funkcji setDF pakietu data.table .

Tabela danych ma następujące zalety w porównaniu z ramką danych w R:

1. Możesz użyć funkcji fread z pakietu data.table, aby wczytać plik do data.table znacznie szybciej niż podstawowe funkcje R, takie jak read.csv , które wczytują pliki do ramki danych.

2. Możesz wykonywać operacje (takie jak grupowanie i agregacja) na tabeli danych znacznie szybciej niż na ramce danych.

3. Podczas drukowania ramki danych na konsolę, R spróbuje wydrukować każdy wiersz ramki danych. Jednakże data.table wyświetli tylko pierwsze 100 wierszy, co może zapobiec zawieszaniu się lub awarii sesji, jeśli pracujesz z dużym zbiorem danych.

Poniższe przykłady ilustrują te różnice pomiędzy ramkami danych i tabelami danych w praktyce.

Różnica nr 1: Szybszy import z freadem

Poniższy kod pokazuje, jak zaimportować ramkę danych zawierającą 10 000 wierszy i 100 kolumn przy użyciu funkcji fread z pakietu data.table i funkcji read.csv z bazy danych R:

 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

Z wyników widzimy, że fread importuje ten plik CSV około 10 razy szybciej w porównaniu z funkcją read.csv .

Należy pamiętać, że różnica ta będzie jeszcze większa w przypadku większych zbiorów danych.

Różnica nr 2: Szybsza manipulacja danymi za pomocą data.table

Ogólnie rzecz biorąc, data.table może również wykonywać dowolne zadania manipulacji danymi znacznie szybciej niż data.frame .

Na przykład poniższy kod pokazuje, jak obliczyć średnią zmiennej pogrupowanej według innej zmiennej zarówno w data.table, jak i 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

Z wyników widzimy, że data.table jest około trzy razy szybsza niż data.frame .

W przypadku większych zbiorów danych różnica ta będzie jeszcze większa.

Różnica nr 3: Mniej wierszy wydrukowanych w data.table

Podczas drukowania ramki danych na konsolę, R podejmie próbę wydrukowania każdego wiersza w ramce danych.

Jednakże data.table wyświetli tylko pierwsze 100 wierszy, co może zapobiec zawieszaniu się lub awarii sesji, jeśli pracujesz z dużym zbiorem danych.

Na przykład w poniższym kodzie tworzymy zarówno ramkę danych, jak i tabelę danych zawierającą 200 wierszy.

Podczas drukowania ramki danych R spróbuje wydrukować każdy wiersz, podczas gdy tabela danych wyświetli tylko pięć pierwszych i pięć ostatnich wierszy:

 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

Jest to zaleta, którą data.table oferuje w porównaniu z data.frame , szczególnie podczas pracy z dużymi zbiorami danych, których nie chcesz przypadkowo wydrukować na konsoli.

Dodatkowe zasoby

Poniższe samouczki wyjaśniają, jak wykonywać inne typowe zadania w języku R:

Jak dodać wiersze do ramki danych w R
Jak zachować niektóre kolumny w R
Jak wybrać tylko kolumny numeryczne w R