1

我有一个小的 data.table 并且使用transform它需要很长时间。这是一个可重现的示例：

library(data.table)
#data.table 1.8.8
set.seed(1) 

dataraw <- data.table(sig1 = runif(80000, 0, 9999),
                      sig2 = runif(80000, 0, 9999),
                      sig3 = runif(80000, 0, 9999))

system.time(transform(dataraw, d = 1))
#  user      system     elapsed 
#16.345       0.016      16.359 

dataraw2 <- as.data.frame(dataraw)

system.time(transform(dataraw2, d = 1))
# user      system     elapsed 
#0.002       0.002       0.005

transform与使用 data.frame 相比，为什么使用 data.table 这么慢？

4

2 回答 2

13

更新：这已经在 v1.8.10 中修复很久了。来自新闻：

transform()o on的缓慢性data.table已得到修复，#2599. 但是，请使用:=.

尽管从文档和?transform.data.table（也来自 SenorO 的帖子）可以清楚地看出，惯用的方法是使用:=（通过引用分配），这非常快，但我认为知道为什么 transform在data.table. 从我到目前为止所理解的情况来看，transform.data.table并不总是较慢。

我会尝试在这里回答这个问题。它本身似乎不是问题transform.data.table，而是它对data.table()函数的调用。通过查看data.table:::transform.data.table，滞后来自以下行：

ans <- do.call("data.table", c(list(`_data`), e[!matched]))

所以，让我们用一个大data.table的值来对这条线进行基准测试：

DT <- data.table(x=1:1e5, y=1:1e5, z=1:1e5)
system.time(do.call("data.table", c(list(DT), list(d=1))))
   user  system elapsed 
  0.003   0.003   0.026

哦，这非常快！让我们进行相同的基准测试，但值不按顺序排列：

DT <- data.table(x=sample(1e5), y=sample(1e5), z=sample(1e5))
system.time(do.call("data.table", c(list(DT), list(d=1))))

   user  system elapsed 
  7.986   0.016   8.099 

# tested on 1.8.8 and 1.8.9

它变慢了。造成这种差异的原因是什么？为此，我们必须调试data.table()函数。通过做

DT <- data.table(x=as.numeric(1:1e5), y=as.numeric(1:1e5), z=as.numeric(1:1e5))
debugonce(data.table)
transform(DT, d=1)

并通过连续点击“enter”，您将能够找到这种缓慢的原因在于：

exptxt = as.character(tt) # roughly about 7.2 seconds

很明显，这as.character成为了问题。为什么？为此，请比较：

as.character(data.frame(x=1:10, y=1:10))
# [1] "1:10" "1:10"

as.character(data.frame(x=sample(10), y=sample(10)))
# [1] "c(9, 10, 4, 7, 6, 5, 1, 3, 8, 2)" "c(8, 5, 3, 7, 6, 10, 9, 1, 4, 2)"

对更大的数据重复此操作，以查看as.character采样速度data.frame变慢。

那么，问题就变成了，为什么不

data.table(x = sample(1e5), y=sample(1e5))

耗时的？这是因为，给data.table()函数的输入被替换（用subsitute()）。在这种情况下，tt变为：

$x
sample(1e+05)

$y
sample(1e+05)

然后as.character(tt)就变成了：

# [1] "sample(1e+05)" "sample(1e+05)"

这意味着，如果您要这样做：

DT <- data.table(x = c(1,3,4,1,4,1,3,1,2...), y = c(1,1,4,1,3,4,1,1,3...))

我想这会花费很多时间（通常不会这样做，因此没有问题）。

于 2013-08-14T08:20:53.320 回答
11

来自?transform.data.table：

transform by group is particularly slow. Please use := by group instead.

within, transform and other similar functions in data.table are not just provided 
for users who expect them to work, but for non-data.table-aware packages to 
retain keys, for example. Hopefully the (much) faster and more convenient 
data.table syntax will be used in time.

正如@Roland 建议的那样，您应该始终分解代码的组件以找出实际占用时间/资源的内容。在这种情况下，它不是log，而是transform。用于:=data.tables、transformdata.frames、列表等。

罪魁祸首不是log：

> dt <- data.table(A=1:1000000)
> system.time(transform(as.data.frame(dt), B=A * 1))
   user  system elapsed 
   0.00    0.02    0.01 
> system.time(transform(dt, B=A * 1))
   user  system elapsed 
  14.61    0.00   14.61
于 2013-08-13T19:11:20.323 回答