R：data.table 与合并（聚合（））性能

Question

或者更笼统地说，是 DT[,.SD[...],by=...] 与 merge(aggregate(...))。

事不宜迟，以下是数据和示例：

set.seed(5141)
size = 1e6
df <- data.table(a = rnorm(size),
                 b = paste0(sample(letters, size, T), 
                            sample(letters, size, T), 
                            sample(letters, size, T)),
                 c = sample(1:(size/10), size, T),
                 d = sample(seq.Date(as.Date("2015-01-01"), 
                                     as.Date("2015-05-31"), by="day"), size, T))

system.time(df[,.SD[d == max(d)], by = c])
# user  system elapsed 
# 50.89    0.00   51.00 
system.time(merge(aggregate(d ~ c, data = df, max), df))
# user  system elapsed 
# 18.24    0.20   18.45 

data.table 的性能通常没有问题，我对这个特殊的例子感到惊讶。我必须通过仅获取某些事件类型的最新（可以同时）出现来对相当大的数据框进行子集化（聚合）。并保留这些特定事件的其余相关数据。但是，.SD 在这个特定的应用程序中似乎不能很好地扩展。

有没有更好的“数据表方式”来处理这类任务？

Answer 1

我们可以使用.I 来获取行索引并以此为基础对行进行子集化。它应该更快。

system.time(df[df[,.I[d == max(d)], by = c]$V1])
#    user  system elapsed 
#   5.00    0.09    5.30 

@Heroka 的解决方案

system.time(df[,is_max:=d==max(d), by = c][is_max==T,])
#   user  system elapsed 
#  5.06    0.00    5.12 

我机器上的aggregate方法给出了

system.time(merge(aggregate(d ~ c, data = df, max), df))
#   user  system elapsed 
#  48.62    1.00   50.76 

使用.SD 选项

system.time(df[,.SD[d == max(d)], by = c])
#   user  system elapsed 
# 151.13    0.40  156.57 

使用data.table 加入

system.time(df[df[, list(d=max(d)) , c], on=c('c', 'd')])
#   user  system elapsed 
#   0.58    0.01    0.60 

---

如果我们比较一下merge/aggregate 和==，它们是不同的功能。通常，aggregate/merge 方法与 data.table 的对应连接相比会更慢。但是，我们使用== 比较每一行（需要一些时间）以及.SD 进行子集设置（与.I 进行行索引相比效率相对较低）。 .SD 也有[.data.table 的开销。