使用mutate创建新变量时,Dplyr代码比预期的慢
我正在使用使用mutate创建新变量时,Dplyr代码比预期的慢,r,dplyr,R,Dplyr,我正在使用dplyr在数据帧上创建三个新变量。数据帧为84253 obs。共有164个变量。下面是我的代码 # ptm <- proc.time() D04_Base2 <- D04_Base %>% mutate( birthyr = year(as.Date(BIRTHDT,"%m/%d/%Y")), age = (snapshotDt - as.Date(BIRTHDT,"%m/%d/%Y")) / 365.25,
dplyr
在数据帧上创建三个新变量。数据帧为84253 obs。共有164个变量。下面是我的代码
# ptm <- proc.time()
D04_Base2 <- D04_Base %>%
mutate(
birthyr = year(as.Date(BIRTHDT,"%m/%d/%Y")),
age = (snapshotDt - as.Date(BIRTHDT,"%m/%d/%Y")) / 365.25,
age = ifelse(age > 100, NA, age)
)
# proc.time() - ptm
user system elapsed
12.34 0.03 12.42
#ptm 100,NA,年龄)
)
#进程时间()-ptm
用户系统运行时间
12.34 0.03 12.42
然而,我想知道我的代码是否有一个明显的问题,因为它运行的时间比我预期的要长得多,或者这是其他问题。如上所示,完成代码大约需要12秒。是的,您的代码中存在一些效率低下的问题:
BIRTHDT
列转换为Date
两次。(这是迄今为止最大的问题。)base::as.Date
不是很快dplyr::if_else
而不是base::ifelse
来获得一点性能增益library(microbenchmark)
library(dplyr)
library(lubridate)
mbm = microbenchmark::microbenchmark
# generate big-ish sample data
n = 1e5
dates = seq.Date(from = Sys.Date(), length.out = n, by = "day")
raw_dates = format(dates, "%m/%d/%Y")
df = data.frame(x = 1:n)
日期转换
在这个特定的日期转换中,lubridate::mdy
比as.Date
快2-3倍
提取年份
类似地,lubridate::year
(您似乎已经在使用)提取年份的速度大约是base::format
的2倍
添加列:
在这里我们看到基地做得很好。但是还要注意,这些时间是以微秒为单位的,而上面日期的时间是以毫秒为单位的。无论您是使用base
还是dplyr
添加列,它大约占执行日期转换所用时间的1%
如果有
这里的计时仍然以毫秒为单位,但是ifelse
和dplyr::if_else
之间的差异并没有那么大dplyr::if_else
要求返回向量是相同的类型,因此我们必须指定NA_real\uu
,以便它处理数值输出。在弗兰克的建议下,我把base::replace
也改为NA_real\uu
,速度大约快了10倍。我认为,这里的教训是“使用最简单的有效函数”
总之,
dplyr
在添加列时比base
慢,但与其他所有正在进行的操作相比,这两种操作都非常快。因此,使用哪种列添加方法并不重要。您可以通过不重复计算和使用更大操作的更快版本来加速代码。根据我们所了解的情况,更有效的代码版本是:
library(dplyr)
library(lubridate)
D04_Base2 <- D04_Base %>%
mutate(
birthdate = mdy(BIRTHDT),
birthyr = year(birthdate),
age = (snapshotDt - birthdate) / 365.25,
age = replace(age > 100, NA_real_)
)
库(dplyr)
图书馆(lubridate)
D04_基准2%
变异(
出生日期=mdy(出生日期),
生日年=年(生日),
年龄=(快照-出生日期)/365.25,
年龄=更换(年龄>100,不真实)
)
我们可以大致估计1e5行在180毫秒左右的速度增益,如下所示
- 170毫秒(30毫秒时单次
,而不是每次100毫秒时两次lubridate::mdy
调用)as.Date
- 10毫秒(
而不是更换
)ifelse
添加一个列基准表明,不使用管道可以节省大约0.1毫秒。由于我们正在添加多个列,因此使用
dplyr
可能比单独使用$添加它们更有效。如果您只需将BIRTHDT添加到一个日期中,$将更快。因此,我测试了使用Base R创建变量,结果更快。在我做了所有的研究之后,似乎dplyr应该比Base快,这就是问题所在。您将其与之进行比较的等效Base R代码是什么?你真的应该包括一些数据,这样我们就可以自己运行它进行比较。是的,你应该从一开始就将日期存储为日期。以日期作为字符串进行任何分析都没有意义。另外,有人告诉我,system.time({commands})
是一种更可靠的计时方法。添加一个列是一项非常简单的任务,一个base R在这方面做得非常好。它现在有点过时了,但它表明只要添加一个新列,dplyr
就可以与base
相媲美dplyr
将比base做得更好,尤其是在连接和分组操作中。关于它们的ifelse,我认为replace(age,age>100,NA_real)
看起来是一个更好的选择。不知道基准测试结果如何。好主意——我把它放进去了。事实证明,这并不重要:在我的100次试验中,中位数较低,但平均值较高。@Frank更好地想了想——我没有很好地阅读你的评论。现在我回去用了replace
,它比if_else
快10倍。
mbm(
year = year(dates),
format = format(dates, "%Y")
)
# Unit: milliseconds
# expr min lq mean median uq max neval cld
# year 29.10152 31.71873 44.84572 33.48525 40.17116 478.8377 100 a
# format 77.16788 81.14211 96.42225 83.54550 88.11994 242.7808 100 b
mbm(
base_dollar = {dd = df; dd$y = 1},
base_bracket = {dd = df; dd[["y"]] = 1},
mutate = {dd = mutate(df, y = 1)},
mutate_pipe = {dd = df %>% mutate(y = 1)},
times = 100L
)
# Unit: microseconds
# expr min lq mean median uq max neval cld
# base_dollar 114.834 129.1715 372.8024 146.2275 408.4255 3315.964 100 a
# base_bracket 118.585 139.6550 332.1661 156.3530 255.2860 3126.967 100 a
# mutate 420.515 466.8320 673.9109 554.4960 745.7175 2821.070 100 b
# mutate_pipe 522.402 600.6325 852.2037 715.1110 906.4700 3319.950 100 c
x = rnorm(1e5)
mbm(
base_na = ifelse(x > 0, NA, x),
base_na_real = ifelse(x > 0, NA_real_, x),
base_replace = replace(x, x > 0, NA_real_),
dplyr = if_else(x > 0, NA_real_, x),
units = "ms"
)
# Unit: milliseconds
# expr min lq mean median uq max neval cld
# base_na 9.399593 13.399255 18.502441 14.734466 15.998573 138.33834 100 bc
# base_na_real 8.785988 12.638971 22.885304 14.075802 16.980263 132.18165 100 c
# base_replace 0.748265 1.136756 2.292686 1.384161 1.802833 9.05869 100 a
# dplyr 5.141753 6.875031 14.157227 10.095069 11.561044 124.99218 100 b
library(dplyr)
library(lubridate)
D04_Base2 <- D04_Base %>%
mutate(
birthdate = mdy(BIRTHDT),
birthyr = year(birthdate),
age = (snapshotDt - birthdate) / 365.25,
age = replace(age > 100, NA_real_)
)