<\/p>\n
W j\u0119zyku programowania R ramka danych<\/strong> jest cz\u0119\u015bci\u0105 bazy danych R.<\/span><\/p>\n Dowoln\u0105 ramk\u0119 data.frame<\/strong> mo\u017cna przekonwertowa\u0107 na data.table<\/strong> za pomoc\u0105 funkcji setDF<\/strong> pakietu data.table<\/strong> .<\/span><\/p>\n Tabela danych ma nast\u0119puj\u0105ce zalety w por\u00f3wnaniu z ramk\u0105 danych w R:<\/span><\/p>\n 1.<\/strong> Mo\u017cesz u\u017cy\u0107 funkcji fread<\/a> z pakietu data.table, aby wczyta\u0107 plik do data.table znacznie<\/em> szybciej ni\u017c podstawowe funkcje R, takie jak read.csv<\/a> , kt\u00f3re wczytuj\u0105 pliki do ramki danych.<\/span><\/p>\n 2.<\/strong> Mo\u017cesz wykonywa\u0107 operacje (takie jak grupowanie i agregacja) na tabeli danych znacznie<\/em> szybciej ni\u017c na ramce danych.<\/span><\/p>\n 3.<\/strong> Podczas drukowania ramki danych na konsol\u0119, R spr\u00f3buje wydrukowa\u0107 ka\u017cdy wiersz ramki danych. Jednak\u017ce data.table wy\u015bwietli tylko pierwsze 100 wierszy, co mo\u017ce zapobiec zawieszaniu si\u0119 lub awarii sesji, je\u015bli pracujesz z du\u017cym zbiorem danych.<\/span><\/p>\n Poni\u017csze przyk\u0142ady ilustruj\u0105 te r\u00f3\u017cnice pomi\u0119dzy ramkami danych i tabelami danych w praktyce.<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak zaimportowa\u0107 ramk\u0119 danych zawieraj\u0105c\u0105 10 000 wierszy i 100 kolumn przy u\u017cyciu funkcji fread<\/strong> z pakietu data.table i funkcji read.csv<\/strong> z bazy danych R:<\/span><\/p>\n Z wynik\u00f3w widzimy, \u017ce fread<\/strong> importuje ten plik CSV oko\u0142o 10 razy szybciej w por\u00f3wnaniu z funkcj\u0105 read.csv<\/strong> .<\/span><\/p>\n Nale\u017cy pami\u0119ta\u0107, \u017ce r\u00f3\u017cnica ta b\u0119dzie jeszcze wi\u0119ksza w przypadku wi\u0119kszych zbior\u00f3w danych.<\/span><\/p>\n Og\u00f3lnie rzecz bior\u0105c, data.table<\/strong> mo\u017ce r\u00f3wnie\u017c wykonywa\u0107 dowolne zadania manipulacji danymi znacznie szybciej ni\u017c data.frame<\/strong> .<\/span><\/p>\n Na przyk\u0142ad poni\u017cszy kod pokazuje, jak obliczy\u0107 \u015bredni\u0105 zmiennej pogrupowanej wed\u0142ug innej zmiennej zar\u00f3wno w data.table, jak i data.frame:<\/span><\/p>\n Z wynik\u00f3w widzimy, \u017ce data.table<\/strong> jest oko\u0142o trzy razy szybsza ni\u017c data.frame<\/strong> .<\/span><\/p>\n W przypadku wi\u0119kszych zbior\u00f3w danych r\u00f3\u017cnica ta b\u0119dzie jeszcze wi\u0119ksza.<\/span><\/p>\n Podczas drukowania ramki danych<\/strong> na konsol\u0119, R podejmie pr\u00f3b\u0119 wydrukowania ka\u017cdego wiersza w ramce danych.<\/span><\/p>\n Jednak\u017ce data.table<\/strong> wy\u015bwietli tylko pierwsze 100 wierszy, co mo\u017ce zapobiec zawieszaniu si\u0119 lub awarii sesji, je\u015bli pracujesz z du\u017cym zbiorem danych.<\/span><\/p>\n Na przyk\u0142ad w poni\u017cszym kodzie tworzymy zar\u00f3wno ramk\u0119 danych, jak i tabel\u0119 danych zawieraj\u0105c\u0105 200 wierszy.<\/span><\/p>\n Podczas drukowania ramki danych R spr\u00f3buje wydrukowa\u0107 ka\u017cdy wiersz, podczas gdy tabela danych wy\u015bwietli tylko pi\u0119\u0107 pierwszych i pi\u0119\u0107 ostatnich wierszy:<\/span><\/p>\n Jest to zaleta, kt\u00f3r\u0105 data.table<\/strong> oferuje w por\u00f3wnaniu z data.frame<\/strong> , szczeg\u00f3lnie podczas pracy z du\u017cymi zbiorami danych, kt\u00f3rych nie chcesz przypadkowo wydrukowa\u0107 na konsoli.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania w j\u0119zyku R:<\/span><\/p>\n Jak doda\u0107 wiersze do ramki danych w R<\/a> W j\u0119zyku programowania R ramka danych jest cz\u0119\u015bci\u0105 bazy danych R. Dowoln\u0105 ramk\u0119 data.frame mo\u017cna przekonwertowa\u0107 na data.table za pomoc\u0105 funkcji setDF pakietu data.table . Tabela danych ma nast\u0119puj\u0105ce zalety w por\u00f3wnaniu z ramk\u0105 danych w R: 1. Mo\u017cesz u\u017cy\u0107 funkcji fread z pakietu data.table, aby wczyta\u0107 plik do data.table znacznie szybciej ni\u017c podstawowe funkcje […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-3617","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n R\u00f3\u017cnica nr 1: Szybszy import z freadem<\/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 R\u00f3\u017cnica nr 2: Szybsza manipulacja danymi za pomoc\u0105 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 R\u00f3\u017cnica nr 3: Mniej wierszy wydrukowanych w 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 Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Jak zachowa\u0107 niekt\u00f3re kolumny w R<\/a>
Jak wybra\u0107 tylko kolumny numeryczne w R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"