tablas - eficientes operaciones por filas en una tabla de datos

seleccionar filas en r

Question

Necesito encontrar el mínimo de muchos en la fila (+60)
data.frame relativamente grande (~ 250,000 x 3) (o puedo trabajar de manera equivalente en un xts ).

set.seed(1000)
my.df <- sample(1:5, 250000*3, replace=TRUE)
dim(my.df) <- c(250000,3)
my.df <- as.data.frame(my.df)
names(my.df) <- c("A", "B", "C")

El marco de datos my.df ve así

> head(my.df)

  A B C
1 2 5 2
2 4 5 5
3 1 5 3
4 4 4 3
5 3 5 5
6 1 5 3

Lo intenté

require(data.table)
my.dt <- as.data.table(my.df)

my.dt[, row.min:=0]  # without this: "Attempt to add new column(s) and set subset of rows at the same time"
system.time(
  for (i in 1:dim(my.dt)[1]) my.dt[i, row.min:= min(A, B, C)]
)

En mi sistema esto toma unos 400 segundos. Funciona, pero no estoy seguro de que sea la mejor manera de usar data.table . ¿Estoy usando data.table correctamente? ¿Hay una manera más eficiente de hacer simples operaciones de fila?

Answer 1

Después de una discusión acerca de las primeras / últimas apariciones en filas de la serie de columnas en data.table , lo que sugería que la fusión en primer lugar sería más rápida que un cálculo por filas, decidí realizar una evaluación comparativa:

• pmin (respuesta de Matt Dowle arriba), abajo como tm1
• apply (la respuesta de Andrie arriba), abajo como tm2
• primero se derrite, luego min por grupo, debajo como tm3

asi que:

library(microbenchmark); library(data.table)
set.seed(1000)
b <- data.table(m=integer(), n=integer(), tm1 = numeric(), tm2 = numeric(), tm3 = numeric())

for (m in c(2.5,100)*1e5){

  for (n in c(3,50)){
    my.df <- sample(1:5, m*n, replace=TRUE)
    dim(my.df) <- c(m,n)    
    my.df <- as.data.frame(my.df)
    names(my.df) <- c(LETTERS,letters)[1:n]   
    my.dt <- as.data.table(my.df)

    tm1 <- mean(microbenchmark(my.dt[, foo := do.call(pmin, .SD)], times=30L)$time)/1e6
    my.dt <- as.data.table(my.df)
    tm2 <- mean(microbenchmark(apply(my.dt, 1, min), times=30L)$time)/1e6
    my.dt <- as.data.table(my.df)sv
    tm3 <- mean(microbenchmark(
                melt(my.dt[, id:=1:nrow(my.dt)], id.vars=''id'')[, min(value), by=id], 
                times=30L
               )$time)/1e6
    b <- rbind(b, data.table(m, n, tm1, tm2, tm3) ) 
  }
}

(Me quedé sin tiempo para probar más combinaciones) nos da:

b
#          m  n        tm1       tm2         tm3
# 1: 2.5e+05  3   16.20598  1000.345    39.36171
# 2: 2.5e+05 50  166.60470  1452.239   588.49519
# 3: 1.0e+07  3  662.60692 31122.386  1668.83134
# 4: 1.0e+07 50 6594.63368 50915.079 17098.96169
c <- melt(b, id.vars=c(''m'',''n''))

library(ggplot2)
ggplot(c, aes(x=m, linetype=as.factor(n), col=variable, y=value)) + geom_line() +
  ylab(''Runtime (millisec)'') + xlab(''# of rows'') +  
  guides(linetype=guide_legend(title=''Number of columns''))

Aunque sabía que apply (tm2) se pmin mal, me sorprende que pmin (tm1) se escale tan bien si R no está realmente diseñado para operaciones en filas. No pude identificar un caso en el que pmin no se use en melt-min-by-group (tm3).

Answer 2

La forma clásica de hacer operaciones por filas en R es usar apply :

apply(my.df, 1, min)
> head(my.df)
  A B C min
1 2 5 4   2
2 4 3 1   1
3 1 1 5   1
4 4 1 5   1
5 3 3 4   3
6 1 1 1   1

En mi máquina, esta operación toma alrededor de 0.25 de segundo.

Answer 3

O simplemente pmin .

   my.dt <- as.data.table(my.df)
   system.time(my.dt[,row.min:=pmin(A,B,C)])
     user  system elapsed 
     0.02    0.00    0.01 
   head(my.dt)
     A B C row.min
[1,] 2 5 2       2
[2,] 4 5 5       4
[3,] 1 5 3       1
[4,] 4 4 3       3
[5,] 3 5 5       3
[6,] 1 5 3       1