如何将data.table代码转换为折叠

html5 • • 问答 • 244 阅读

我最近阅读了collapse包，并尝试翻译以下data.table代码collapse以查看它在实际示例中是否更快。

这是我的data.table代码：

library(data.table)
library(nycflights13)

data("flights")
flights_DT <- as.data.table(flights)

val_var <- "arr_delay"
id_var <- "carrier"
by <- c("month", "day")

flights_DT[
  j = list(agg_val_var = sum(abs(get(val_var)), na.rm = TRUE)), 
  keyby = c(id_var, by)
][
  i = order(-agg_val_var), 
  j = list(value_share = cumsum(agg_val_var)/sum(agg_val_var)), 
  keyby = by
][
  j = .SD[2L],
  keyby = by
][
  order(-value_share)
]
#>      month day value_share
#>   1:    10   3   0.5263012
#>   2:     1  24   0.5045664
#>   3:     1  20   0.4885145
#>   4:    10  17   0.4870692
#>   5:     3   6   0.4867606
#>  ---                      
#> 361:     5   4   0.3220295
#> 362:     6  15   0.3205974
#> 363:     1  28   0.3197260
#> 364:    11  25   0.3161550
#> 365:     6  14   0.3128286

由reprex 包(v1.0.0)于 2021 年 3 月 11 日创建

我设法翻译了第一个data.table电话，但后来遇到了困难。

很高兴看到collapse将如何用于处理此用例。

回答

所以在这一点上，我想指出的第一件事是，collapse它不是，也可能永远不会是像dplyror那样成熟的拆分应用组合计算工具data.table。它的重点不是按组以最佳方式执行任意代码表达式，而是通过它提供的广泛的基于 C++ 的统计和数据转换函数来提供高级和高效的分组、加权、时间序列和面板数据计算。我指的是小插曲上collapse，并data.table为在这些问题上进一步明晰以及集成的例子。

因此，我认为只有将data.table代码转换为collapse如果 (1) 你想出了一个神秘的表达式data.table来做一些它不擅长的复杂统计（例如加权聚合、计算分位数或分组模式）才有意义，滞后/区分不规则面板，分组居中或线性/多项式拟合）（2）您实际上不需要data.table对象，而是更愿意使用向量/矩阵/ data.frame / tibbles（3）您想写一个统计程序，并且更喜欢标准评估编程而不是 NS eval 和data.table语法或 (4)collapse对于您的特定应用程序来说确实要快得多。

现在到您提供的特定代码。它混合了标准和非标准评估（例如通过使用get()），这是collapse不太擅长的。我将为您提供 3 种解决方案，从完整的 NS eval 到完整的标准 eval 基础 R 风格编程。

library(data.table)
library(nycflights13)
library(magrittr)
library(collapse)

data("flights")
flights_DT <- as.data.table(flights)

# Defining a function for the second aggregation
myFUN <- function(x) (cumsum(x[1:2])/sum(x))[2L]

# Soluting 1: Non-Standard evaluation
flights_DT %>%
  fgroup_by(carrier, month, day) %>% 
  fsummarise(agg_val_var = fsum(abs(arr_delay))) %>% 
  roworder(month, day, -agg_val_var, na.last = NA) %>%
  fgroup_by(month, day) %>%
  fsummarise(value_share = myFUN(agg_val_var)) %>% 
  roworder(-value_share)
#>      month day value_share
#>   1:    10   3   0.5263012
#>   2:     1  24   0.5045664
#>   3:     1  20   0.4885145
#>   4:    10  17   0.4870692
#>   5:     3   6   0.4867606
#>  ---                      
#> 361:     5   4   0.3220295
#> 362:     6  15   0.3205974
#> 363:     1  28   0.3197260
#> 364:    11  25   0.3161550
#> 365:     6  14   0.3128286

由reprex 包(v0.3.0)于 2021 年 3 月 12 日创建

注意na.last = NAwich的使用实际上消除了agg_val_var丢失的情况。这在这里是需要的，因为fsum(NA)isNA而不是0like sum(NA, na.rm = TRUE)。现在混合示例可能接近您提供的代码：

val_var <- "arr_delay"
id_var <- "carrier"
by <- c("month", "day")

# Solution 2: Hybrid approach with standard eval and magrittr pipes
flights_DT %>%
  get_vars(c(id_var, val_var, by)) %>%
  ftransformv(val_var, abs) %>% 
  collapv(c(id_var, by), fsum) %>%
  get_vars(c(by, val_var)) %>%
  roworderv(decreasing = c(FALSE, FALSE, TRUE), na.last = NA) %>%
  collapv(by, myFUN) %>%
  roworderv(val_var, decreasing = TRUE) %>%
  frename(replace, names(.) == val_var, "value_share")
#>      month day value_share
#>   1:    10   3   0.5263012
#>   2:     1  24   0.5045664
#>   3:     1  20   0.4885145
#>   4:    10  17   0.4870692
#>   5:     3   6   0.4867606
#>  ---                      
#> 361:     5   4   0.3220295
#> 362:     6  15   0.3205974
#> 363:     1  28   0.3197260
#> 364:    11  25   0.3161550
#> 365:     6  14   0.3128286

由reprex 包(v0.3.0)于 2021 年 3 月 12 日创建

请注意，我frename在最后使用了您想要的结果列名称，因为您不能在collapse. 最后，一个很大的优点collapse是您可以将它用于非常低级的编程：

# Solution 3: Programming
data <- get_vars(flights_DT, c(id_var, val_var, by))
data[[val_var]] <- abs(.subset2(data, val_var))
g <- GRP(data, c(id_var, by))
data <- add_vars(get_vars(g$groups, by), 
                 fsum(get_vars(data, val_var), g, use.g.names = FALSE))
data <- roworderv(data, decreasing = c(FALSE, FALSE, TRUE), na.last = NA)
g <- GRP(data, by)
columns
data <- add_vars(g$groups, list(value_share = BY(.subset2(data, val_var), g, myFUN, use.g.names = FALSE)))
data <- roworderv(data, "value_share", decreasing = TRUE)
data
#>      month day value_share
#>   1:    10   3   0.5263012
#>   2:     1  24   0.5045664
#>   3:     1  20   0.4885145
#>   4:    10  17   0.4870692
#>   5:     3   6   0.4867606
#>  ---                      
#> 361:     5   4   0.3220295
#> 362:     6  15   0.3205974
#> 363:     1  28   0.3197260
#> 364:    11  25   0.3161550
#> 365:     6  14   0.3128286

由reprex 包(v0.3.0)于 2021 年 3 月 12 日创建

我建议您参阅有关编程的博客文章，以collapse获取有关这如何有利于统计代码开发的更有趣示例。

现在为了评估，我将这些解决方案包装在函数中，您提供DT()的data.table代码在哪里，在 Windows 机器上使用 2 个线程运行。这检查相等性：

all_obj_equal(DT(), clp_NSE(), clp_Hybrid(), clp_Prog())
#> TRUE

现在基准：

library(microbenchmark)
microbenchmark(DT(), clp_NSE(), clp_Hybrid(), clp_Prog())
#> Unit: milliseconds
#>          expr      min       lq     mean   median       uq       max neval cld
#>          DT() 85.81079 87.80887 91.82032 89.47025 92.54601 132.26073   100   b
#>     clp_NSE() 13.47535 14.15744 15.99264 14.80606 16.29140  28.16895   100  a 
#>  clp_Hybrid() 13.79843 14.23508 16.61606 15.00196 16.83604  32.94648   100  a 
#>    clp_Prog() 13.71320 14.17283 16.16281 14.94395 16.16935  39.24706   100  a

如果您关心这些毫秒，可以随意优化，但是对于 340,000 obs，所有解决方案都非常快。

以上是如何将data.table代码转换为折叠的全部内容。
THE END
分享
二维码
< <上一篇
下一篇>>