将一组数据帧逐行组合成一个数据帧答案

【问题标题】：Combine a list of data frames into one data frame by row将一组数据帧逐行组合成一个数据帧
【发布时间】：2023-03-20 01:23:01
【问题描述】：

我的代码在某个地方以数据框列表结尾，我真的想将其转换为单个大数据框。

我从 earlier question 那里得到了一些指示，它试图做一些类似但更复杂的事情。

这是我开始的一个例子（为了说明，这被大大简化了）：

listOfDataFrames <- vector(mode = "list", length = 100)

for (i in 1:100) {
    listOfDataFrames[[i]] <- data.frame(a=sample(letters, 500, rep=T),
                             b=rnorm(500), c=rnorm(500))
}

我目前正在使用这个：

  df <- do.call("rbind", listOfDataFrames)

【问题讨论】：

另见这个问题：stackoverflow.com/questions/2209258/…
do.call("rbind", list) 成语也是我以前使用过的。为什么需要初始的unlist？
有人可以向我解释 do.call("rbind", list) 和 rbind(list) 之间的区别 - 为什么输出不一样？
@user6571411 因为 do.call() 不会一一返回参数，而是使用列表来保存函数的参数。见https://www.stat.berkeley.edu/~s133/Docall.html

标签： r list dataframe r-faq

【解决方案1】：

使用 dplyr 包中的bind_rows()：

bind_rows(list_of_dataframes, .id = "column_label")

【讨论】：

不错的解决方案。 .id = "column_label" 根据列表元素名称添加唯一的行名称。
自 2018 年以来，dplyr 既快速又可靠，我已将其更改为已接受的答案。岁月飞逝！
这正是我所需要的！！
奇怪，但它不能与小标题列表一起正常工作

【解决方案2】：

另一种选择是使用 plyr 函数：

df <- ldply(listOfDataFrames, data.frame)

这个比原来慢一点：

> system.time({ df <- do.call("rbind", listOfDataFrames) })
   user  system elapsed 
   0.25    0.00    0.25 
> system.time({ df2 <- ldply(listOfDataFrames, data.frame) })
   user  system elapsed 
   0.30    0.00    0.29
> identical(df, df2)
[1] TRUE

我的猜测是，使用do.call("rbind", ...) 将是您会发现的最快的方法，除非您可以执行以下操作（a）使用矩阵而不是 data.frames 和（b）预分配最终矩阵并分配而不是成长它。

编辑 1：

根据 Hadley 的评论，这是来自 CRAN 的 rbind.fill 的最新版本：

> system.time({ df3 <- rbind.fill(listOfDataFrames) })
   user  system elapsed 
   0.24    0.00    0.23 
> identical(df, df3)
[1] TRUE

这比 rbind 更容易，而且速度稍快（这些时间在多次运行中都成立）。而且据我了解，the version of plyr on github 比这还要快。

【讨论】：

最新版plyr中的rbind.fill比do.call和rbind快很多
有趣。对我来说 rbind.fill 是最快的。很奇怪，do.call / rbind 没有返回相同的 TRUE，即使我能找到不同之处。其他两个相等，但 plyr 较慢。
I() 可以在您的ldply 通话中替换data.frame
reshape(2) 中还有 melt.list
bind_rows() 根据rmd's answer 是最快的，我认为这是最直接的。它还具有添加id column的功能

【解决方案3】：

为了完整起见，我认为这个问题的答案需要更新。 “我的猜测是，使用do.call("rbind", ...) 将是你会发现的最快的方法......” 2010 年 5 月和之后的一段时间可能是这样，但在 2011 年 9 月左右，引入了一个新函数 rbindlist data.table 软件包版本 1.8.2，并带有注释“这与 do.call("rbind",l) 相同，但速度更快”。快多少？

library(rbenchmark)
benchmark(
  do.call = do.call("rbind", listOfDataFrames),
  plyr_rbind.fill = plyr::rbind.fill(listOfDataFrames), 
  plyr_ldply = plyr::ldply(listOfDataFrames, data.frame),
  data.table_rbindlist = as.data.frame(data.table::rbindlist(listOfDataFrames)),
  replications = 100, order = "relative", 
  columns=c('test','replications', 'elapsed','relative')
  )

                  test replications elapsed relative
4 data.table_rbindlist          100    0.11    1.000
1              do.call          100    9.39   85.364
2      plyr_rbind.fill          100   12.08  109.818
3           plyr_ldply          100   15.14  137.636

【讨论】：

非常感谢您——我的数据集对于ldplying 一堆长而熔化的数据帧来说变得太大了。无论如何，通过使用您的 rbindlist 建议，我得到了令人难以置信的加速。
还有一个完整的：dplyr::rbind_all(listOfDataFrames) 也可以解决问题。
是否有与rbindlist 等效的方法，但按列附加数据帧？类似 cbindlist 的东西？
@rafa.pereira 最近有一个功能请求：add function cbindlist
我也是因为do.call()在数据帧列表上运行了18个小时，仍然没有完成，谢谢！！！

【解决方案4】：

代码：

library(microbenchmark)

dflist <- vector(length=10,mode="list")
for(i in 1:100)
{
  dflist[[i]] <- data.frame(a=runif(n=260),b=runif(n=260),
                            c=rep(LETTERS,10),d=rep(LETTERS,10))
}


mb <- microbenchmark(
plyr::rbind.fill(dflist),
dplyr::bind_rows(dflist),
data.table::rbindlist(dflist),
plyr::ldply(dflist,data.frame),
do.call("rbind",dflist),
times=1000)

ggplot2::autoplot(mb)

会话：

R version 3.3.0 (2016-05-03)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 7 x64 (build 7601) Service Pack 1

> packageVersion("plyr")
[1] ‘1.8.4’
> packageVersion("dplyr")
[1] ‘0.5.0’
> packageVersion("data.table")
[1] ‘1.9.6’

更新： 2018 年 1 月 31 日重播。在同一台计算机上运行。新版本的软件包。为种子爱好者添加了种子。

set.seed(21)
library(microbenchmark)

dflist <- vector(length=10,mode="list")
for(i in 1:100)
{
  dflist[[i]] <- data.frame(a=runif(n=260),b=runif(n=260),
                            c=rep(LETTERS,10),d=rep(LETTERS,10))
}


mb <- microbenchmark(
  plyr::rbind.fill(dflist),
  dplyr::bind_rows(dflist),
  data.table::rbindlist(dflist),
  plyr::ldply(dflist,data.frame),
  do.call("rbind",dflist),
  times=1000)

ggplot2::autoplot(mb)+theme_bw()


R version 3.4.0 (2017-04-21)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 7 x64 (build 7601) Service Pack 1

> packageVersion("plyr")
[1] ‘1.8.4’
> packageVersion("dplyr")
[1] ‘0.7.2’
> packageVersion("data.table")
[1] ‘1.10.4’

更新：2019 年 8 月 6 日重新运行。

set.seed(21)
library(microbenchmark)

dflist <- vector(length=10,mode="list")
for(i in 1:100)
{
  dflist[[i]] <- data.frame(a=runif(n=260),b=runif(n=260),
                            c=rep(LETTERS,10),d=rep(LETTERS,10))
}


mb <- microbenchmark(
  plyr::rbind.fill(dflist),
  dplyr::bind_rows(dflist),
  data.table::rbindlist(dflist),
  plyr::ldply(dflist,data.frame),
  do.call("rbind",dflist),
  purrr::map_df(dflist,dplyr::bind_rows),
  times=1000)

ggplot2::autoplot(mb)+theme_bw()

R version 3.6.0 (2019-04-26)
Platform: x86_64-pc-linux-gnu (64-bit)
Running under: Ubuntu 18.04.2 LTS

Matrix products: default
BLAS:   /usr/lib/x86_64-linux-gnu/openblas/libblas.so.3
LAPACK: /usr/lib/x86_64-linux-gnu/libopenblasp-r0.2.20.so

packageVersion("plyr")
packageVersion("dplyr")
packageVersion("data.table")
packageVersion("purrr")

>> packageVersion("plyr")
[1] ‘1.8.4’
>> packageVersion("dplyr")
[1] ‘0.8.3’
>> packageVersion("data.table")
[1] ‘1.12.2’
>> packageVersion("purrr")
[1] ‘0.3.2’

更新：2021 年 11 月 18 日重新运行。

set.seed(21)
library(microbenchmark)

dflist <- vector(length=10,mode="list")
for(i in 1:100)
{
  dflist[[i]] <- data.frame(a=runif(n=260),b=runif(n=260),
                            c=rep(LETTERS,10),d=rep(LETTERS,10))
}


mb <- microbenchmark(
  plyr::rbind.fill(dflist),
  dplyr::bind_rows(dflist),
  data.table::rbindlist(dflist),
  plyr::ldply(dflist,data.frame),
  do.call("rbind",dflist),
  Reduce("rbind",dflist),
  purrr::map_df(dflist,dplyr::bind_rows),
  times=1000)

ggplot2::autoplot(mb)+theme_bw()

R version 4.1.2 (2021-11-01)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 10 x64 (build 19043)

>packageVersion("plyr")
[1] ‘1.8.6’
> packageVersion("dplyr")
[1] ‘1.0.7’
> packageVersion("data.table")
[1] ‘1.14.2’
> packageVersion("purrr")
[1] ‘0.3.4’

【讨论】：

这是一个很好的答案。我运行了同样的东西（同样的操作系统，同样的包，不同的随机化，因为你没有set.seed），但是在最坏情况下的性能上看到了一些差异。 rbindlist 在我的结果中实际上有最好的最坏情况和最好的典型情况

【解决方案5】：

dplyr中还有bind_rows(x, ...)。

> system.time({ df.Base <- do.call("rbind", listOfDataFrames) })
   user  system elapsed 
   0.08    0.00    0.07 
> 
> system.time({ df.dplyr <- as.data.frame(bind_rows(listOfDataFrames)) })
   user  system elapsed 
   0.01    0.00    0.02 
> 
> identical(df.Base, df.dplyr)
[1] TRUE

【讨论】：

从技术上讲，您不需要 as.data.frame - 所有这些都使它成为一个 data.frame，而不是 table_df（来自 deplyr）

【解决方案6】：

这是可以做到的另一种方法（只需将其添加到答案中，因为reduce 是一个非常有效的功能工具，它经常被忽视作为循环的替代品。在这种特殊情况下，这些都没有比做快得多.call)

使用基础 R：

df <- Reduce(rbind, listOfDataFrames)

或者，使用 tidyverse：

library(tidyverse) # or, library(dplyr); library(purrr)
df <- listOfDataFrames %>% reduce(bind_rows)

【讨论】：

【解决方案7】：

在tidyverse中应该怎么做：

df.dplyr.purrr <- listOfDataFrames %>% map_df(bind_rows)

【讨论】：

如果bind_rows 可以获取数据帧列表，为什么还要使用map？

【解决方案8】：

data.table 的解决方案唯一缺少的是标识符列，用于了解数据来自列表中的哪个数据框。

类似这样的：

df_id <- data.table::rbindlist(listOfDataFrames, idcol = TRUE)

idcol 参数添加一列 (.id)，标识列表中包含的数据框的来源。结果看起来像这样：

.id a         b           c
1   u   -0.05315128 -1.31975849 
1   b   -1.00404849 1.15257952  
1   y   1.17478229  -0.91043925 
1   q   -1.65488899 0.05846295  
1   c   -1.43730524 0.95245909  
1   b   0.56434313  0.93813197

【讨论】：

【解决方案9】：

为那些想要比较最近的一些答案的人提供更新的视觉效果（我想将 purrr 与 dplyr 解决方案进行比较）。基本上我结合了@TheVTM 和@rmf 的答案。

代码：

library(microbenchmark)
library(data.table)
library(tidyverse)

dflist <- vector(length=10,mode="list")
for(i in 1:100)
{
  dflist[[i]] <- data.frame(a=runif(n=260),b=runif(n=260),
                            c=rep(LETTERS,10),d=rep(LETTERS,10))
}


mb <- microbenchmark(
  dplyr::bind_rows(dflist),
  data.table::rbindlist(dflist),
  purrr::map_df(dflist, bind_rows),
  do.call("rbind",dflist),
  times=500)

ggplot2::autoplot(mb)

会话信息：

sessionInfo()
R version 3.4.1 (2017-06-30)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 7 x64 (build 7601) Service Pack 1

软件包版本：

> packageVersion("tidyverse")
[1] ‘1.1.1’
> packageVersion("data.table")
[1] ‘1.10.0’

【讨论】：