25

我知道这里有很多关于使用 do.call 或 ldply 将 data.frames 列表转换为单个 data.frame 的方法的问题，但这个问题是关于理解这两种方法的内部工作原理并试图找出原因我无法将几乎 100 万个具有相同结构、相同字段名称等的 df 列表连接到单个 data.frame 中。每个 data.frame 为 1 行 21 列。

数据开始是一个 JSON 文件，我使用 fromJSON 将其转换为列表，然后运行另一个 lapply 以提取列表的一部分并转换为 data.frame，最终得到一个 data.frames 列表。

我试过了：

df <- do.call("rbind", list)
df <- ldply(list)

但我不得不在让它运行长达 3 小时并且没有得到任何回报后终止该过程。

有没有更有效的方法来做到这一点？如何解决正在发生的事情以及为什么需要这么长时间？

仅供参考 - 我在带有 RHEL 的 72GB 四核服务器上使用 RStudio 服务器，所以我认为内存不是问题。会话信息如下：

> sessionInfo()
R version 2.14.1 (2011-12-22)
Platform: x86_64-redhat-linux-gnu (64-bit)

locale:
 [1] LC_CTYPE=en_US.UTF-8       LC_NUMERIC=C              
 [3] LC_TIME=en_US.UTF-8        LC_COLLATE=en_US.UTF-8    
 [5] LC_MONETARY=en_US.UTF-8    LC_MESSAGES=en_US.UTF-8   
 [7] LC_PAPER=C                 LC_NAME=C                 
 [9] LC_ADDRESS=C               LC_TELEPHONE=C            
[11] LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C       

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] multicore_0.1-7 plyr_1.7.1      rjson_0.2.6    

loaded via a namespace (and not attached):
[1] tools_2.14.1
>
4

4 回答 4

18

鉴于您正在寻找性能，似乎data.table应该提出解决方案。

有一个功能rbindlist比samedo.call(rbind, list)

library(data.table)
X <- replicate(50000, data.table(a=rnorm(5), b=1:5), simplify=FALSE)
system.time(rbindlist.data.table <- rbindlist(X))
##  user  system elapsed 
##  0.00    0.01    0.02

列表的速度也非常快data.frame

Xdf <- replicate(50000, data.frame(a=rnorm(5), b=1:5), simplify=FALSE)

system.time(rbindlist.data.frame <- rbindlist(Xdf))
##  user  system elapsed 
##  0.03    0.00    0.03

为了比较

system.time(docall <- do.call(rbind, Xdf))
##  user  system elapsed 
## 50.72    9.89   60.88

和一些适当的基准测试

library(rbenchmark)
benchmark(rbindlist.data.table = rbindlist(X), 
           rbindlist.data.frame = rbindlist(Xdf),
           docall = do.call(rbind, Xdf),
           replications = 5)
##                   test replications elapsed    relative user.self sys.self 
## 3               docall            5  276.61 3073.444445    264.08     11.4 
## 2 rbindlist.data.frame            5    0.11    1.222222      0.11      0.0 
## 1 rbindlist.data.table            5    0.09    1.000000      0.09      0.0

并反对@JoshuaUlrich 的解决方案

benchmark(use.rbl.dt  = rbl.dt(X), 
          use.rbl.ju  = rbl.ju (Xdf),
          use.rbindlist =rbindlist(X) ,
          replications = 5)

##              test replications elapsed relative user.self 
## 3  use.rbindlist            5    0.10      1.0      0.09
## 1     use.rbl.dt            5    0.10      1.0      0.09
## 2     use.rbl.ju            5    0.33      3.3      0.31

我不确定你真的需要使用as.data.frame，因为data.table继承类data.frame

于 2012-09-05T22:46:45.603 回答
17

rbind.data.frame做了很多你不需要的检查。如果你只做你想做的事情，这应该是一个非常快速的转变。

# Use data from Josh O'Brien's post.
set.seed(21)
X <- replicate(50000, data.frame(a=rnorm(5), b=1:5), simplify=FALSE)
system.time({
Names <- names(X[[1]])  # Get data.frame names from first list element.
# For each name, extract its values from each data.frame in the list.
# This provides a list with an element for each name.
Xb <- lapply(Names, function(x) unlist(lapply(X, `[[`, x)))
names(Xb) <- Names          # Give Xb the correct names.
Xb.df <- as.data.frame(Xb)  # Convert Xb to a data.frame.
})
#    user  system elapsed 
#   3.356   0.024   3.388 
system.time(X1 <- do.call(rbind, X))
#    user  system elapsed 
# 169.627   6.680 179.675
identical(X1,Xb.df)
# [1] TRUE

受 data.table 答案的启发，我决定尝试让它更快。这是我更新的解决方案，尝试保留复选标记。;-)

# My "rbind list" function
rbl.ju <- function(x) {
  u <- unlist(x, recursive=FALSE)
  n <- names(u)
  un <- unique(n)
  l <- lapply(un, function(N) unlist(u[N==n], FALSE, FALSE))
  names(l) <- un
  d <- as.data.frame(l)
}
# simple wrapper to rbindlist that returns a data.frame
rbl.dt <- function(x) {
  as.data.frame(rbindlist(x))
}

library(data.table)
if(packageVersion("data.table") >= '1.8.2') {
  system.time(dt <- rbl.dt(X))  # rbindlist only exists in recent versions
}
#    user  system elapsed 
#    0.02    0.00    0.02
system.time(ju <- rbl.ju(X))
#    user  system elapsed 
#    0.05    0.00    0.05 
identical(dt,ju)
# [1] TRUE
于 2012-03-16T00:39:25.373 回答
8

您观察到所花费的时间随着 data.frames 的数量呈指数增长，这表明将rbinding 分为两个阶段可以加快速度。

这个简单的实验似乎证实了这是一条非常富有成效的道路：

## Make a list of 50,000 data.frames
X <- replicate(50000, data.frame(a=rnorm(5), b=1:5), simplify=FALSE)

## First, rbind together all 50,000 data.frames in a single step
system.time({
    X1 <- do.call(rbind, X)
})
#    user  system elapsed 
# 137.08   57.98  200.08 


## Doing it in two stages cuts the processing time by >95%
##   - In Stage 1, 100 groups of 500 data.frames are rbind'ed together
##   - In Stage 2, the resultant 100 data.frames are rbind'ed
system.time({
    X2 <- lapply(1:100, function(i) do.call(rbind, X[((i*500)-499):(i*500)]))
    X3 <- do.call(rbind, X2)
}) 
#    user  system elapsed 
#    6.14    0.05    6.21 


## Checking that the results are the same
identical(X1, X3)
# [1] TRUE
于 2012-03-15T22:45:41.760 回答
4

您有一个 data.frames 列表，每个列表都有一行。如果可以将它们中的每一个转换为向量，我认为这会加快速度。

但是，假设它们需要是 data.frames，我将使用从 Dominik 在Can rbind 可以在 R 中并行化的答案中借用的代码创建一个函数？

do.call.rbind <- function (lst) {
  while (length(lst) > 1) {
    idxlst <- seq(from = 1, to = length(lst), by = 2)
    lst <- lapply(idxlst, function(i) {
      if (i == length(lst)) {
        return(lst[[i]])
      }
      return(rbind(lst[[i]], lst[[i + 1]]))
    })
  }
  lst[[1]]
}

我已经使用这个函数几个月了，发现它比do.call(rbind, ...)[免责声明是我几乎只在xts对象上使用它]更快并且使用更少的内存

每个 data.frame 的行数越多，列表的元素越多，这个功能就越有用。

如果你有一个包含 100,000 个数字向量的列表，do.call(rbind, ...)那就更好了。如果你有长度为 10 亿的列表，这会更好。

> df <- lapply(1:10000, function(x) data.frame(x = sample(21, 21)))
> library(rbenchmark)
> benchmark(a=do.call(rbind, df), b=do.call.rbind(df))
test replications elapsed relative user.self sys.self user.child sys.child
1    a          100 327.728 1.755965   248.620   79.099          0         0
2    b          100 186.637 1.000000   181.874    4.751          0         0

随着列表长度的增加，相对速度将呈指数级增长。

于 2012-03-15T23:36:43.560 回答