Data.table: por que data.table é mais rápido com o subconjunto de colunas vetorizadas do que com o subconjunto de colunas da lista

Criado em 27 mar. 2019 · 3Comentários · Fonte: Rdatatable/data.table

Eu gosto desse material data.table, uniformemente por sua velocidade de execução e por sua maneira parcimoniosa de script.
Eu uso mesmo em mesas pequenas também.
Eu regularmente subconjunto tabelas desta forma: DT[, .(id1, id5)]
e não desta forma: DT[, c("id1", "id5")]

Hoje medi a velocidade dos dois e me surpreendi com a diferença de velocidade em mesas pequenas. O método parcimonioso é muito mais lento.

Essa diferença é algo pretendido?

Existe a aspiração de fazer convergir a forma parcimoniosa em termos de velocidade de execução para a outra?
(Conta quando tenho que dividir várias tabelas pequenas de maneira repetitiva.)

Ubuntu 18.04
Versão R 3.5.3 (2019-03-11)
dados.tabela 1.12.0
RAM 32 GB
CPU Intel® Core™ i7-8565U @ 1,80 GHz × 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

Fonte

sbudai

Comentários muito úteis

Você pode corrigir a formatação do seu post usando uma única linha de três acentos graves antes e depois do trecho de código:

```
code
```

Conta quando eu tenho que subconjunto de várias tabelas pequenas de maneira repetitiva.

Eu acho que selecionar repetidamente colunas de tabelas pequenas é algo que deve e na maioria dos casos pode ser evitado...? Como j em DT[i, j, by] suporta e otimiza uma grande variedade de entradas, acho natural que haja alguma sobrecarga na análise.

Em relação a outras maneiras de abordar seu problema (e talvez isso seja mais adequado para o Stack Overflow se você quiser falar mais sobre isso) ... , DT[, setdiff(names(DT), cols) := NULL] e continue usando o DT diretamente.

Se você ainda preferir pegar o subconjunto, pegar ponteiros de coluna é muito mais rápido do que qualquer uma das opções que você considerou aqui, embora desta forma as edições no resultado afetem a tabela original:

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

(Retirei a randomização do seu exemplo e reduzi # vezes no benchmark porque estava impaciente.)

Eu nunca encontrei uma maneira de chamar diretamente o subconjunto de lista de R (que é usado após o unclass acima).

Em relação a "edições no resultado modificarão a tabela original", quero dizer:

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 em 27 mar. 2019

👍4

Todos 3 comentários

Você pode corrigir a formatação do seu post usando uma única linha de três acentos graves antes e depois do trecho de código:

```
code
```

Conta quando eu tenho que subconjunto de várias tabelas pequenas de maneira repetitiva.

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

(Retirei a randomização do seu exemplo e reduzi # vezes no benchmark porque estava impaciente.)

Eu nunca encontrei uma maneira de chamar diretamente o subconjunto de lista de R (que é usado após o unclass acima).

Em relação a "edições no resultado modificarão a tabela original", quero dizer:

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 em 27 mar. 2019

👍4

Ok, aprendi algo novo e rápido (os excêntricos) hoje e tenho observado que há uma troca entre velocidade e codificação parcimoniosa. Então o copo está meio cheio! Obrigado!

sbudai em 27 mar. 2019

👍2

Acho que #852 relacionado