select 一行具有特定 ID 值的数据框的最快方法是什么？

Question

现在我正在使用

分析一些数据

row = dataset[dataset$id == id1,]

和

row = subset(dataset,id == id1)

其中所有 id 值都是整数。

但是，在处理较大的数据集时，我得到的结果慢得令人失望。有什么方法可以加快这项特定任务的速度吗？

Answer 1

使用data.table，我们可以在一个列上设置键，该键按指定的列以递增顺序对数据进行物理重新排序，这样我们就可以使用二进制搜索来进行子集化。

library(data.table)
setkey(setDT(data1), id)[.(id1)]

或者，从 data.table 版本 1.9.4+ 开始，DT[x == .] 和 DT[x %in% .] 形式的子集都在内部进行了优化以自动创建索引，然后使用二分查找子集在连续运行中，速度非常快（参见下面的基准测试）。

setDT(data1)[id == id1] # internally optimised to generate index automatically

查看 this post 了解更多信息。

数据

 set.seed(24)
 data1 <- data.frame(id= sample(1:6, 25, replace=TRUE), val=rnorm(25))
 id1 <- 5L

PS：setDT() 通过引用将 data.frame 转换为 data.table。

基准

set.seed(29)
dat2 <- data.frame(id= sample(1:100, 1e8, replace=TRUE), val=rnorm(1e8))

# data.frame subset in base R
system.time(dat2[dat2$id == id1,])
#   user  system elapsed 
#  6.287   0.646   7.081 

# base R like syntax on data.table; create index and subset using binary search
system.time(setDT(dat2)[id == id1])
#  user  system elapsed 
# 0.646   0.232   0.889 
# successive runs are incredibly fast!
# 0.037   0.002   0.039
# 0.040   0.002   0.042 

# alternatively set key once 
system.time(setkey(setDT(dat2), id))
#  2.908   0.499   3.440 
# and use binary search explicitly
system.time(dat2[.(id1)])
#   user  system elapsed 
#  0.009   0.002   0.012

Answer 2

下面是base([)和dplyr(filter)的比较：

set.seed(29)
dat2 <- data.frame(id= sample(1:6, 3e6, replace=TRUE), val=rnorm(3e6))
library(dplyr)
system.time(dplyr::filter(dat2, id==5))
 user  system elapsed 
0.029   0.004   0.033 
system.time(dat2[dat2$id==5,])
 user  system elapsed 
0.236   0.012   0.248

select 一行具有特定 ID 值的数据框的最快方法是什么？

What is the fastest way to select a row of a data frame with a specific ID value?

optimization

r

dataframe

数据

基准