在我试图使用 data.table
包重写旧代码(缓慢)的过程中,我正在尝试找出在 data.table 中使用 apply
的最佳方法。
我的 data.table 具有多个 id 列,然后是多列剂量-反应数据,以宽格式呈现。我需要通用的答案,因为不是所有的 data.table 都会有相同数量的剂量-反应列。为了简化问题,我认为以下 data.table 解决了这个问题:
library(data.table)
library(microbenchmark)
set.seed(1234)
DT1 = data.table(unique_id = paste0('id',1:1e6),
dose1 = sample(c(1:9,NA),1e6,replace=TRUE),
dose2 = sample(c(1:9,NA),1e6,replace=TRUE)
)
> DT1
unique_id dose1 dose2
1: id1 2 2
2: id2 7 4
3: id3 7 9
4: id4 7 4
5: id5 9 3
---
999996: id999996 4 3
999997: id999997 NA 3
999998: id999998 4 2
999999: id999999 8 5
1000000: id1000000 6 7
所以每一行都有一个唯一的id,还有一些其他的id,我省略了响应列,因为当剂量列为NA时,它们将是NA。我需要做的是删除所有剂量列都是NA的行。我想出了第一种选项,然后意识到我可以把它缩短到第二个选项。
DT2 <- copy(DT1)
DT3 <- copy(DT1)
len.not.na <- function(x){length(which(!is.na(x)))}
option1 <- function(DT){
DT[,flag := apply(.SD,1,len.not.na),.SDcols=grep("dose",colnames(DT))]
DT <- DT[flag != 0]
DT[ , flag := NULL ]
}
option2 <- function(DT){
DT[ apply(DT[,grep("dose",colnames(DT)),with=FALSE],1,len.not.na) != 0 ]
}
> microbenchmark(op1 <- option1(DT2), op2 <- option2(DT3),times=25L)
Unit: seconds
expr min lq median uq max neval
op1 <- option1(DT2) 8.364504 8.863436 9.145341 11.27827 11.50356 25
op2 <- option2(DT3) 8.291549 8.774746 8.982536 11.15269 11.72199 25
显然,这两个选项都可以完成相同的任务,选项1需要更多的步骤,但我想测试一下调用.SD
是否会减慢速度,因为其他帖子(例如这个)中有人提到过。
无论哪种方式,这两个选项仍然速度较慢。有什么建议可以加快速度吗?
@AnandaMahto的评论编辑
DT4 <- copy(DT1)
option3 <- function(DT){
DT[rowSums(DT[,grep("dose",colnames(DT)),with=FALSE]) != 0]
}
> microbenchmark(op2 <- option2(DT3), op3 <- option3(DT4),times=5L)
Unit: milliseconds
expr min lq median uq max neval
op2 <- option2(DT3) 7738.21094 7810.87777 7838.6067 7969.5543 8407.4069 5
op3 <- option3(DT4) 83.78921 92.65472 320.6273 559.8153 783.0742 5
rowSums
肯定更快。如果有更快的解决方案,我会很高兴。
rowSums
吗? - A5C1D2H2I1M1N2O1R2T1DT1[!is.na(dose1) | !is.na(dose2)]
- eddi