Data.table vs data frame em r: três diferenças principais

Na linguagem de programação R, um data.frame faz parte do banco de dados R.

Qualquer data.frame pode ser convertido em data.table usando a função setDF do pacote data.table .

Um data.table oferece as seguintes vantagens sobre um data.frame em R:

1. Você pode usar a função fread do pacote data.table para ler um arquivo em um data.table muito mais rápido do que funções básicas do R, como read.csv , que leem arquivos em um data.frame.

2. Você pode realizar operações (como agrupamento e agregação) em um data.table muito mais rápido do que em um data.frame.

3. Ao imprimir um data.frame em um console, R tentará imprimir cada linha do data.frame. No entanto, um data.table exibirá apenas as primeiras 100 linhas, o que pode impedir que sua sessão seja interrompida ou travada se você estiver trabalhando com um grande conjunto de dados.

Os exemplos a seguir ilustram essas diferenças entre data.frames e data.tables na prática.

Diferença nº 1: importação mais rápida com pão

O código a seguir mostra como importar um quadro de dados de 10.000 linhas e 100 colunas usando a função fread do pacote data.table e a função read.csv do banco de dados 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

A partir dos resultados, podemos ver que fread é cerca de 10 vezes mais rápido para importar este arquivo CSV em comparação com a função read.csv .

Observe que essa diferença será ainda maior para conjuntos de dados maiores.

Diferença nº 2: manipulação de dados mais rápida com data.table

Em geral, data.table também pode executar qualquer tarefa de manipulação de dados muito mais rápido que data.frame .

Por exemplo, o código a seguir mostra como calcular a média de uma variável, agrupada por outra variável em data.table e 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

A partir dos resultados, podemos ver que data.table é cerca de três vezes mais rápido que data.frame .

Para conjuntos de dados maiores, esta diferença será ainda maior.

Diferença nº 3: menos linhas impressas com data.table

Ao imprimir um data.frame em um console, R tentará imprimir cada linha no data.frame.

No entanto, um data.table exibirá apenas as primeiras 100 linhas, o que pode impedir que sua sessão seja interrompida ou travada se você estiver trabalhando com um grande conjunto de dados.

Por exemplo, no código a seguir, criamos um quadro de dados e um data.table de 200 linhas.

Ao imprimir o data.frame, R tentará imprimir cada linha enquanto imprimir o data.table exibirá apenas as primeiras cinco linhas e as últimas cinco linhas:

 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

Essa é uma vantagem que data.table oferece sobre data.frame , especialmente ao trabalhar com grandes conjuntos de dados que você não deseja imprimir acidentalmente no console.

Recursos adicionais

Os tutoriais a seguir explicam como realizar outras tarefas comuns em R:

Como adicionar linhas a um quadro de dados em R
Como preservar certas colunas em R
Como selecionar apenas colunas numéricas em R