刚刚和同事们讨论了这个问题,我们想知道SO上的人有什么看法。假设我有一个包含N个元素的列表,其中每个元素都是长度为X的向量。现在假设我想将其转换为数据框架。与R中的大多数事物一样,有多种方法可以解决它,例如使用as.dataframe
、使用plyr软件包、结合do.call
和cbind
、预先分配DF并填充它等。
提出的问题是当N或X(在我们的例子中是X)变得非常大时会发生什么。如果效率(特别是内存方面)很重要,是否有一种明显优越的方法来解决这个问题呢?
刚刚和同事们讨论了这个问题,我们想知道SO上的人有什么看法。假设我有一个包含N个元素的列表,其中每个元素都是长度为X的向量。现在假设我想将其转换为数据框架。与R中的大多数事物一样,有多种方法可以解决它,例如使用as.dataframe
、使用plyr软件包、结合do.call
和cbind
、预先分配DF并填充它等。
提出的问题是当N或X(在我们的例子中是X)变得非常大时会发生什么。如果效率(特别是内存方面)很重要,是否有一种明显优越的方法来解决这个问题呢?
由于data.frame
已经是一个列表,而且您知道每个列表元素的长度都相同(X),最快的方法可能就是更新class
和row.names
属性:
set.seed(21)
n <- 1e6
x <- list(x=rnorm(n), y=rnorm(n), z=rnorm(n))
x <- c(x,x,x,x,x,x)
system.time(a <- as.data.frame(x))
system.time(b <- do.call(data.frame,x))
system.time({
d <- x # Skip 'c' so Joris doesn't down-vote me! ;-)
class(d) <- "data.frame"
rownames(d) <- 1:n
names(d) <- make.unique(names(d))
})
identical(a, b) # TRUE
identical(b, d) # TRUE
更新 - 这比创建 d
快了约2倍:
system.time({
e <- x
attr(e, "row.names") <- c(NA_integer_,n)
attr(e, "class") <- "data.frame"
attr(e, "names") <- make.names(names(e), unique=TRUE)
})
identical(d, e) # TRUE
更新2 - 我忘记了内存消耗。最后一次更新会复制两个e
。使用attributes
函数可以将其减少到一个副本。
set.seed(21)
f <- list(x=rnorm(n), y=rnorm(n), z=rnorm(n))
f <- c(f,f,f,f,f,f)
tracemem(f)
system.time({ # makes 2 copies
attr(f, "row.names") <- c(NA_integer_,n)
attr(f, "class") <- "data.frame"
attr(f, "names") <- make.names(names(f), unique=TRUE)
})
set.seed(21)
g <- list(x=rnorm(n), y=rnorm(n), z=rnorm(n))
g <- c(g,g,g,g,g,g)
tracemem(g)
system.time({ # only makes 1 copy
attributes(g) <- list(row.names=c(NA_integer_,n),
class="data.frame", names=make.names(names(g), unique=TRUE))
})
identical(f,g) # TRUE
这似乎需要使用 data.table
建议,因为需要处理大型数据集。特别地,setattr
通过引用进行设置而不是复制。
library(data.table)
set.seed(21)
n <- 1e6
h <- list(x=rnorm(n), y=rnorm(n), z=rnorm(n))
h <- c(h,h,h,h,h,h)
tracemem(h)
system.time({h <- as.data.table(h)
setattr(h, 'names', make.names(names(h), unique=T))})
as.data.table
会进行复制操作。
使用@MatthewDowle的建议setattr(h,'class','data.frame')
,这将通过引用转换为data.frame(无复制)。
set.seed(21)
n <- 1e6
i <- list(x=rnorm(n), y=rnorm(n), z=rnorm(n))
i <- c(i,i,i,i,i,i)
tracemem(i)
system.time({
setattr(i, 'class', 'data.frame')
setattr(i, "row.names", c(NA_integer_,n))
setattr(i, "names", make.names(names(i), unique=TRUE))
})
setattr(h, "class", "data.table")
;) (非常酷,顺便说一下)。 - Josh O'Brien?setattr
说 x
必须是 data.table
(感谢在datatable-help上的评论)。 setattr
实际上用于任何东西。将修复文档。它也会返回输入,因此如果需要,您可以在之后组合 [i,j,by]
(例如,如果您将其封装到别名中:setDT(DF)[i,j,by]
)。 - Matt Dowledata.frame
。很棒的编程技巧! - Josh O'Briensetattr
实际上只是 R 的 C 级别 setAttrib
API 函数的一行包装器。顺便说一下,bit
包也有相同的函数。它还有 vecseq
(我刚刚看到)看起来非常方便。值得回顾一下 bit
包,看看它还有哪些宝藏(自己做个笔记)。 - Matt Dowle
plyr::quickdf
函数以获取与此完全相同的功能。 - hadleyattributes<-
未记录行为的内存黑客是否是一个好主意。 - hadleytracemem
的好例子,很好地说明了列表和数据框之间的区别。 - Richie Cottonattr<-
和structure
似乎被同样频繁地使用...而且structure
使用了attributes<-
。 - Joshua Ulrich