我最近发现了data.table包,现在想知道是否应该替换掉我的一些plyr代码。总的来说,我真的很喜欢plyr,而且我基本上实现了我想要的一切。然而,我的代码运行时间比较长,加速的前景足以让我进行一些测试。但是这些测试很快就结束了,原因如下。
我经常使用plyr按包含日期的列对数据进行拆分并进行一些计算:
library(plyr)
DF <- data.frame(Date=rep(c(Sys.time(), Sys.time() + 60), each=6), y=c(rnorm(6, 1), rnorm(6, -1)))
#Split up data and apply arbitrary function
ddply(DF, .(Date), function(df){mean(df$y) - df[nrow(df), "y"]})
然而,在data.table中使用日期格式的列似乎不起作用:
library(data.table)
DT <- data.table(Date=rep(c(Sys.time(), Sys.time() + 60), each=6), y=c(rnorm(6, 1), rnorm(6, -1)))
setkey(DT, Date)
#Error in setkey(DT, Date) : Column 'Date' cannot be auto converted to integer without losing information.
如果我理解这个包正确的话,只有在使用setkey()时才能获得实质性的加速。此外,我认为在日期和数字之间不断转换并不是好的编程习惯。所以,我是否有什么遗漏或者没有简单的方法可以用data.table实现这个功能呢?
sessionInfo()
R version 2.13.1 (2011-07-08)
Platform: x86_64-pc-mingw32/x64 (64-bit)
locale:
[1] C
attached base packages:
[1] grid stats graphics grDevices utils datasets methods base
other attached packages:
[1] data.table_1.6.3 zoo_1.7-2 lubridate_0.2.5 ggplot2_0.8.9 proto_0.3-9.2 reshape_0.8.4
[7] reshape2_1.1 xtable_1.5-6 plyr_1.5.2
loaded via a namespace (and not attached):
[1] digest_0.5.0 lattice_0.19-30 stringr_0.5 tools_2.13.1
POSIXct
日期时间值,而不是Date
。特别地,返回的值(自1970年1月1日以来经过的秒数)通常不是整数值,因此将其转换为整数确实会丢失信息,就像错误消息所说的那样。 - Hong Ooisetkey
,data.table也可以显著提高执行时间。 - Andrie