<\/p>\n
Na linguagem de programa\u00e7\u00e3o R, um data.frame<\/strong> faz parte do banco de dados R.<\/span><\/p>\n Qualquer data.frame<\/strong> pode ser convertido em data.table<\/strong> usando a fun\u00e7\u00e3o setDF<\/strong> do pacote data.table<\/strong> .<\/span><\/p>\n Um data.table oferece as seguintes vantagens sobre um data.frame em R:<\/span><\/p>\n 1.<\/strong> Voc\u00ea pode usar a fun\u00e7\u00e3o fread<\/a> do pacote data.table para ler um arquivo em um data.table muito<\/em> mais r\u00e1pido do que fun\u00e7\u00f5es b\u00e1sicas do R, como read.csv<\/a> , que leem arquivos em um data.frame.<\/span><\/p>\n 2.<\/strong> Voc\u00ea pode realizar opera\u00e7\u00f5es (como agrupamento e agrega\u00e7\u00e3o) em um data.table muito<\/em> mais r\u00e1pido do que em um data.frame.<\/span><\/p>\n 3.<\/strong> Ao imprimir um data.frame em um console, R tentar\u00e1 imprimir cada linha do data.frame. No entanto, um data.table exibir\u00e1 apenas as primeiras 100 linhas, o que pode impedir que sua sess\u00e3o seja interrompida ou travada se voc\u00ea estiver trabalhando com um grande conjunto de dados.<\/span><\/p>\n Os exemplos a seguir ilustram essas diferen\u00e7as entre data.frames e data.tables na pr\u00e1tica.<\/span><\/p>\n O c\u00f3digo a seguir mostra como importar um quadro de dados de 10.000 linhas e 100 colunas usando a fun\u00e7\u00e3o fread<\/strong> do pacote data.table e a fun\u00e7\u00e3o read.csv<\/strong> do banco de dados R:<\/span><\/p>\n A partir dos resultados, podemos ver que fread<\/strong> \u00e9 cerca de 10 vezes mais r\u00e1pido para importar este arquivo CSV em compara\u00e7\u00e3o com a fun\u00e7\u00e3o read.csv<\/strong> .<\/span><\/p>\n Observe que essa diferen\u00e7a ser\u00e1 ainda maior para conjuntos de dados maiores.<\/span><\/p>\n Em geral, data.table<\/strong> tamb\u00e9m pode executar qualquer tarefa de manipula\u00e7\u00e3o de dados muito mais r\u00e1pido que data.frame<\/strong> .<\/span><\/p>\n Por exemplo, o c\u00f3digo a seguir mostra como calcular a m\u00e9dia de uma vari\u00e1vel, agrupada por outra vari\u00e1vel em data.table e data.frame:<\/span><\/p>\n A partir dos resultados, podemos ver que data.table<\/strong> \u00e9 cerca de tr\u00eas vezes mais r\u00e1pido que data.frame<\/strong> .<\/span><\/p>\n Para conjuntos de dados maiores, esta diferen\u00e7a ser\u00e1 ainda maior.<\/span><\/p>\n Ao imprimir um data.frame<\/strong> em um console, R tentar\u00e1 imprimir cada linha no data.frame.<\/span><\/p>\n No entanto, um data.table<\/strong> exibir\u00e1 apenas as primeiras 100 linhas, o que pode impedir que sua sess\u00e3o seja interrompida ou travada se voc\u00ea estiver trabalhando com um grande conjunto de dados.<\/span><\/p>\n Por exemplo, no c\u00f3digo a seguir, criamos um quadro de dados e um data.table de 200 linhas.<\/span><\/p>\n Ao imprimir o data.frame, R tentar\u00e1 imprimir cada linha enquanto imprimir o data.table exibir\u00e1 apenas as primeiras cinco linhas e as \u00faltimas cinco linhas:<\/span><\/p>\n Essa \u00e9 uma vantagem que data.table<\/strong> oferece sobre data.frame<\/strong> , especialmente ao trabalhar com grandes conjuntos de dados que voc\u00ea n\u00e3o deseja imprimir acidentalmente no console.<\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras tarefas comuns em R:<\/span><\/p>\n Como adicionar linhas a um quadro de dados em R<\/a> Na linguagem de programa\u00e7\u00e3o R, um data.frame faz parte do banco de dados R. Qualquer data.frame pode ser convertido em data.table usando a fun\u00e7\u00e3o setDF do pacote data.table . Um data.table oferece as seguintes vantagens sobre um data.frame em R: 1. Voc\u00ea pode usar a fun\u00e7\u00e3o fread do pacote data.table para ler um arquivo em […]<\/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":[],"class_list":["post-3618","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Diferen\u00e7a n\u00ba 1: importa\u00e7\u00e3o mais r\u00e1pida com p\u00e3o<\/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 Diferen\u00e7a n\u00ba 2: manipula\u00e7\u00e3o de dados mais r\u00e1pida com 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 Diferen\u00e7a n\u00ba 3: menos linhas impressas com 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 Recursos adicionais<\/strong><\/span><\/h2>\n
Como preservar certas colunas em R<\/a>
Como selecionar apenas colunas num\u00e9ricas em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"