reales - ¿Cuál es la forma más eficiente de lanzar una lista como un marco de datos?

libro de android studio en español pdf

Question

Muy a menudo quiero convertir una lista en la que cada índice tiene tipos de elementos idénticos a un marco de datos. Por ejemplo, puedo tener una lista:

> my.list
[[1]]
[[1]]$global_stdev_ppb
[1] 24267673

[[1]]$range
[1] 0.03114799

[[1]]$tok
[1] "hello"

[[1]]$global_freq_ppb
[1] 211592.6


[[2]]
[[2]]$global_stdev_ppb
[1] 11561448

[[2]]$range
[1] 0.08870838

[[2]]$tok
[1] "world"

[[2]]$global_freq_ppb
[1] 1002043

Quiero convertir esta lista en un marco de datos donde cada elemento de índice es una columna. Lo más natural (para mí) a ir es usar do.call :

> my.matrix<-do.call("rbind", my.list)
> my.matrix
     global_stdev_ppb range      tok     global_freq_ppb
[1,] 24267673         0.03114799 "hello" 211592.6       
[2,] 11561448         0.08870838 "world" 1002043

Muy sencillo, pero cuando intento convertir esta matriz como un marco de datos, las columnas siguen siendo elementos de lista, en lugar de vectores:

> my.df<-as.data.frame(my.matrix, stringsAsFactors=FALSE)
> my.df[,1]
[[1]]
[1] 24267673

[[2]]
[1] 11561448

Actualmente, para obtener el marco de datos moldeado correctamente, estoy iterando sobre cada columna usando unlist y as.vector , y luego as.vector estructurar el marco de datos como tal:

new.list<-lapply(1:ncol(my.matrix), function(x) as.vector(unlist(my.matrix[,x])))
my.df<-as.data.frame(do.call(cbind, new.list), stringsAsFactors=FALSE)

Esto, sin embargo, parece muy ineficiente. ¿Hay alguna forma mejor de hacer esto?

Answer 1

Aunque esta pregunta se ha respondido hace tiempo, vale la pena señalar que el paquete rbindlist tiene rbindlist que realiza esta tarea muy rápidamente:

library(microbenchmark)
library(data.table)
l <- replicate(1E4, list(a=runif(1), b=runif(1), c=runif(1)), simplify=FALSE)

microbenchmark( times=5,
  R=as.data.frame(Map(f(l), names(l[[1]]))),
  dt=data.frame(rbindlist(l))
)

me da

Unit: milliseconds
 expr       min        lq    median        uq       max neval
    R 31.060119 31.403943 32.278537 32.370004 33.932700     5
   dt  2.271059  2.273157  2.600976  2.635001  2.729421     5

Answer 2

Creo que quieres:

> do.call(rbind, lapply(my.list, data.frame, stringsAsFactors=FALSE))
  global_stdev_ppb      range   tok global_freq_ppb
1         24267673 0.03114799 hello        211592.6
2         11561448 0.08870838 world       1002043.0
> str(do.call(rbind, lapply(my.list, data.frame, stringsAsFactors=FALSE)))
''data.frame'':   2 obs. of  4 variables:
 $ global_stdev_ppb: num  24267673 11561448
 $ range           : num  0.0311 0.0887
 $ tok             : chr  "hello" "world"
 $ global_freq_ppb : num  211593 1002043

Answer 3

El bind_rows del paquete bind_rows es eficiente.

one <- mtcars[1:4, ]
two <- mtcars[11:14, ]
system.time(dplyr::bind_rows(one, two))
   user  system elapsed 
  0.001   0.000   0.001 

Answer 4

Esta

f = function(x) function(i) sapply(x, `[[`, i)

es una función que devuelve una función que extrae el elemento i de la x. Asi que

Map(f(mylist), names(mylist[[1]]))

obtiene una lista de vectores nombrados (gracias Mapa!) que se pueden convertir en un marco de datos

as.data.frame(Map(f(mylist), names(mylist[[1]])))

Para velocidad, generalmente es más rápido usar unlist(lapply(...), use.names=FALSE) como

f = function(x) function(i) unlist(lapply(x, `[[`, i), use.names=FALSE)

Una variante más general es

f = function(X, FUN) function(...) sapply(X, FUN, ...)

¿Cuándo aparecen las estructuras de la lista de listas? ¿Tal vez hay un paso anterior donde una iteración podría ser reemplazada por algo más vectorizado?

Answer 5

No estoy seguro de dónde se clasifican en cuanto a la eficiencia, pero dependiendo de la estructura de sus listas hay algunas opciones tidyverse . Una ventaja es que funcionan muy bien con listas de tallas desiguales:

l <- list(a = list(var.1 = 1, var.2 = 2, var.3 = 3)
        , b = list(var.1 = 4, var.2 = 5)
        , c = list(var.1 = 7, var.3 = 9)
        , d = list(var.1 = 10, var.2 = 11, var.3 = NA))

df <- dplyr::bind_rows(l)
df <- purrr::map_df(l, dplyr::bind_rows)
df <- purrr::map_df(l, ~.x)

# all create the same data frame:
# A tibble: 4 x 3
  var.1 var.2 var.3
  <dbl> <dbl> <dbl>
1     1     2     3
2     4     5    NA
3     7    NA     9
4    10    11    NA

Y también puedes mezclar vectores y marcos de datos:

library(dplyr)
bind_rows(
  list(a = 1, b = 2),
  data_frame(a = 3:4, b = 5:6),
  c(a = 7)
)

# A tibble: 4 x 2
      a     b
  <dbl> <dbl>
1     1     2
2     3     5
3     4     6
4     7    NA

Answer 6

No puedo decirles que este es el "más eficiente" en términos de memoria o velocidad, pero es bastante eficiente en términos de codificación:

my.df <- do.call("rbind", lapply(my.list, data.frame))

el paso lapply () con data.frame () convierte cada elemento de la lista en un solo marco de datos de fila que luego actúa bien con rbind ()

Answer 7

Otra opción es:

data.frame(t(sapply(mylist, `[`)))

pero esta simple manipulación da como resultado un marco de datos de listas:

> str(data.frame(t(sapply(mylist, `[`))))
''data.frame'':   2 obs. of  3 variables:
 $ a:List of 2
  ..$ : num 1
  ..$ : num 2
 $ b:List of 2
  ..$ : num 2
  ..$ : num 3
 $ c:List of 2
  ..$ : chr "a"
  ..$ : chr "b"

Una alternativa a esto, en la misma línea, pero ahora el resultado es el mismo que las otras soluciones, es:

data.frame(lapply(data.frame(t(sapply(mylist, `[`))), unlist))

[ Editar: tiempos incluidos de las dos soluciones de @Martin Morgan, que tienen la ventaja sobre la otra solución que devuelve un marco de datos de vectores.] Algunos tiempos representativos en un problema muy simple:

mylist <- list(list(a = 1, b = 2, c = "a"), list(a = 2, b = 3, c = "b"))

> ## @Joshua Ulrich''s solution:
> system.time(replicate(1000, do.call(rbind, lapply(mylist, data.frame,
+                                     stringsAsFactors=FALSE))))
   user  system elapsed 
  1.740   0.001   1.750

> ## @JD Long''s solution:
> system.time(replicate(1000, do.call(rbind, lapply(mylist, data.frame))))
   user  system elapsed 
  2.308   0.002   2.339

> ## my sapply solution No.1:
> system.time(replicate(1000, data.frame(t(sapply(mylist, `[`)))))
   user  system elapsed 
  0.296   0.000   0.301

> ## my sapply solution No.2:
> system.time(replicate(1000, data.frame(lapply(data.frame(t(sapply(mylist, `[`))), 
+                                               unlist))))
   user  system elapsed 
  1.067   0.001   1.091

> ## @Martin Morgan''s Map() sapply() solution:
> f = function(x) function(i) sapply(x, `[[`, i)
> system.time(replicate(1000, as.data.frame(Map(f(mylist), names(mylist[[1]])))))
   user  system elapsed 
  0.775   0.000   0.778

> ## @Martin Morgan''s Map() lapply() unlist() solution:
> f = function(x) function(i) unlist(lapply(x, `[[`, i), use.names=FALSE)
> system.time(replicate(1000, as.data.frame(Map(f(mylist), names(mylist[[1]])))))
   user  system elapsed 
  0.653   0.000   0.658