Data.table: 为什么向量化列子集的 data.table 比列表列子集更快

创建于 2019-03-27  ·  3评论  ·  资料来源: Rdatatable/data.table

我喜欢这个 data.table 的东西，因为它的执行速度和脚本的简洁方式。
我什至在小桌子上也使用它。
我经常以这种方式对表进行子集：DT[, .(id1, id5)]
而不是这样：DT[, c("id1", "id5")]

今天我测量了两者的速度，我对小桌子上的速度差异感到惊讶。 简约的方法要慢得多。

这种差异是有意的吗？

是否有希望以简约的方式在执行速度方面收敛到另一种方式？
（当我必须以重复的方式对几个小表进行子集化时，这很重要。）

Ubuntu 18.04
R 版本 3.5.3 (2019-03-11)
数据表 1.12.0
内存 32GB
Intel® Core™ i7-8565U CPU @ 1.80GHz × 8

library(data.table)
library(microbenchmark)
N  <- 2e8
K  <- 100
set.seed(1)
DT <- data.table(
  id1 = sample(sprintf("id%03d", 1:K), N, TRUE),               # large groups (char)
  id2 = sample(sprintf("id%03d", 1:K), N, TRUE),               # large groups (char)
  id3 = sample(sprintf("id%010d", 1:(N/K)), N, TRUE),       # small groups (char)
  id4 = sample(K,   N, TRUE),                                           # large groups (int)
  id5 = sample(K,   N, TRUE),                                           # large groups (int)
  id6 = sample(N/K, N, TRUE),                                          # small groups (int)
  v1 =  sample(5,   N, TRUE),                                           # int in range [1,5]
  v2 =  sample(5,   N, TRUE),                                           # int in range [1,5]
  v3 =  sample(round(runif(100, max = 100), 4), N, TRUE) # numeric e.g. 23.5749
)

microbenchmark(
  DT[, .(id1, id5)],
  DT[, c("id1", "id5")]
)
Unit: seconds
                  expr      min       lq     mean   median       uq      max neval
     DT[, .(id1, id5)] 1.588367 1.614645 1.929348 1.626847 1.659698 12.33872   100
 DT[, c("id1", "id5")] 1.592154 1.613800 1.937548 1.628082 2.184456 11.74581   100


N  <- 2e5
DT2 <- data.table(
  id1 = sample(sprintf("id%03d", 1:K), N, TRUE),                 # large groups (char)
  id2 = sample(sprintf("id%03d", 1:K), N, TRUE),                 # large groups (char)
  id3 = sample(sprintf("id%010d", 1:(N/K)), N, TRUE),         # small groups (char)
  id4 = sample(K,   N, TRUE),                                             # large groups (int)
  id5 = sample(K,   N, TRUE),                                             # large groups (int)
  id6 = sample(N/K, N, TRUE),                                            # small groups (int)
  v1 =  sample(5,   N, TRUE),                                             # int in range [1,5]
  v2 =  sample(5,   N, TRUE),                                             # int in range [1,5]
  v3 =  sample(round(runif(100, max = 100), 4), N, TRUE)   # numeric e.g. 23.5749
)

microbenchmark(
  DT2[, .(id1, id5)],
  DT2[, c("id1", "id5")]
)
Unit: microseconds
                   expr      min       lq      mean    median        uq      max neval
DT2[, .(id1, id5)] 1405.042 1461.561 1525.5314 1491.7885 1527.8955 2220.860   100
DT2[, c("id1", "id5")]  614.624  640.617  666.2426  659.0175  676.9355  906.966   100
picture sbudai

最有用的评论

您可以通过在代码块前后使用一行三个反引号来修复帖子的格式：

```
code
```

当我必须以重复的方式对几个小表进行子集化时，它很重要。

我想重复从小表中选择列是应该的，并且在大多数情况下可以避免......？ 因为j中的DT[i, j, by]支持和优化了如此广泛的输入，我认为解析它有一些开销是很自然的。

关于解决问题的其他方法（如果您想更多地谈论它，也许这更适合 Stack Overflow）......根据您想对表格执行的其他操作，您可以删除其他列, DT[, setdiff(names(DT), cols) := NULL]并继续直接使用 DT。

如果您仍然喜欢获取子集，那么获取列指针比您在此处考虑的任何一个选项都快得多，尽管这种方式对结果的编辑会影响原始表：

library(data.table)
library(microbenchmark)
N <- 2e8
K <- 100
set.seed(1)
DT <- data.table(
id1 = sprintf("id%03d", 1:K), # large groups (char)
id2 = sprintf("id%03d", 1:K), # large groups (char)
id3 = sprintf("id%010d", 1:(N/K)), # small groups (char)
id4 = sample(K), # large groups (int)
id5 = sample(K), # large groups (int)
id6 = sample(N/K), # small groups (int)
v1 = sample(5), # int in range [1,5]
v2 = sample(5), # int in range [1,5]
v3 = round(runif(100, max = 100), 4), # numeric e.g. 23.5749
row = seq_len(N)
)

cols = c("id1", "id5")
microbenchmark(times = 3,
  expression = DT[, .(id1, id5)],
  index = DT[, c("id1", "id5")],
  dotdot = DT[, ..cols],
  oddball = setDT(lapply(setNames(cols, cols), function(x) DT[[x]]))[],
  oddball2 = setDT(unclass(DT)[cols])[]
)

Unit: microseconds
       expr         min           lq         mean      median           uq         max neval
 expression 1249753.580 1304355.3415 1417166.9297 1358957.103 1500873.6045 1642790.106     3
      index 1184056.302 1191334.4835 1396372.3483 1198612.665 1502530.3715 1806448.078     3
     dotdot 1084521.234 1240062.2370 1439680.6980 1395603.240 1617260.4300 1838917.620     3
    oddball      92.659     171.8635     568.5317     251.068     806.4680    1361.868     3
   oddball2      66.582     125.9505     150.7337     185.319     192.8095     200.300     3

（我从你的例子中取出了随机化，并在基准测试中减少了 # 次，因为我不耐烦了。）

我从来没有找到直接调用 R 的列表子集的方法（在上面的unclass之后使用）。

关于“对结果的编辑将修改原始表”，我的意思是：

myDT = data.table(a = 1:2, b = 3:4)

# standard way
res <- myDT[, "a"]
res[, a := 0]
myDT
#    a b
# 1: 1 3
# 2: 2 4

# oddball, grabbing pointers
res2 <- setDT(unclass(myDT)["a"])
res2[, a := 0]
myDT
#    a b
# 1: 0 3
# 2: 0 4
picture franknarf1 于 2019-03-27
👍4

所有3条评论

您可以通过在代码块前后使用一行三个反引号来修复帖子的格式：

```
code
```

当我必须以重复的方式对几个小表进行子集化时，它很重要。

我想重复从小表中选择列是应该的，并且在大多数情况下可以避免......？ 因为j中的DT[i, j, by]支持和优化了如此广泛的输入，我认为解析它有一些开销是很自然的。

关于解决问题的其他方法（如果您想更多地谈论它，也许这更适合 Stack Overflow）......根据您想对表格执行的其他操作，您可以删除其他列, DT[, setdiff(names(DT), cols) := NULL]并继续直接使用 DT。

如果您仍然喜欢获取子集，那么获取列指针比您在此处考虑的任何一个选项都快得多，尽管这种方式对结果的编辑会影响原始表：

library(data.table)
library(microbenchmark)
N <- 2e8
K <- 100
set.seed(1)
DT <- data.table(
id1 = sprintf("id%03d", 1:K), # large groups (char)
id2 = sprintf("id%03d", 1:K), # large groups (char)
id3 = sprintf("id%010d", 1:(N/K)), # small groups (char)
id4 = sample(K), # large groups (int)
id5 = sample(K), # large groups (int)
id6 = sample(N/K), # small groups (int)
v1 = sample(5), # int in range [1,5]
v2 = sample(5), # int in range [1,5]
v3 = round(runif(100, max = 100), 4), # numeric e.g. 23.5749
row = seq_len(N)
)

cols = c("id1", "id5")
microbenchmark(times = 3,
  expression = DT[, .(id1, id5)],
  index = DT[, c("id1", "id5")],
  dotdot = DT[, ..cols],
  oddball = setDT(lapply(setNames(cols, cols), function(x) DT[[x]]))[],
  oddball2 = setDT(unclass(DT)[cols])[]
)

Unit: microseconds
       expr         min           lq         mean      median           uq         max neval
 expression 1249753.580 1304355.3415 1417166.9297 1358957.103 1500873.6045 1642790.106     3
      index 1184056.302 1191334.4835 1396372.3483 1198612.665 1502530.3715 1806448.078     3
     dotdot 1084521.234 1240062.2370 1439680.6980 1395603.240 1617260.4300 1838917.620     3
    oddball      92.659     171.8635     568.5317     251.068     806.4680    1361.868     3
   oddball2      66.582     125.9505     150.7337     185.319     192.8095     200.300     3

（我从你的例子中取出了随机化，并在基准测试中减少了 # 次，因为我不耐烦了。）

我从来没有找到直接调用 R 的列表子集的方法（在上面的unclass之后使用）。

关于“对结果的编辑将修改原始表”，我的意思是：

myDT = data.table(a = 1:2, b = 3:4)

# standard way
res <- myDT[, "a"]
res[, a := 0]
myDT
#    a b
# 1: 1 3
# 2: 2 4

# oddball, grabbing pointers
res2 <- setDT(unclass(myDT)["a"])
res2[, a := 0]
myDT
#    a b
# 1: 0 3
# 2: 0 4
franknarf1 picture franknarf1 于 2019-03-27
👍4

好的，我今天学到了一些新的和快速的东西（古怪的东西），我一直注意到速度和简约编码之间存在权衡。 所以杯子是半满的！ 谢谢！

sbudai picture sbudai 于 2019-03-27
👍2

我猜 #852 相关

MichaelChirico picture MichaelChirico 于 2019-03-30
此页面是否有帮助？
0 / 5 - 0 等级

相关问题

arunsrinivasan picture arunsrinivasan  ·  54评论
my-R-help picture my-R-help  ·  39评论
geponce picture geponce  ·  30评论
renkun-ken picture renkun-ken  ·  27评论
arunsrinivasan picture arunsrinivasan  ·  32评论