当第二个数据帧中的每个键值对应于第一个数据帧中的每个键值时,匹配方法就会起作用.如果第二个数据帧中存在重复项,则匹配和合并方法不同.当然,Match的速度更快,因为它做的不多.尤其是,它从不寻找重复的密钥.(代码后续)
DF1 = data.frame(a = c(1, 1, 2, 2), b = 1:4)
DF2 = data.frame(b = c(1, 2, 3, 3, 4), c = letters[1:5])
merge(DF1, DF2)
b a c
1 1 1 a
2 2 1 b
3 3 2 c
4 3 2 d
5 4 2 e
DF1$c = DF2$c[match(DF1$b, DF2$b)]
DF1$c
[1] a b c e
Levels: a b c d e
> DF1
a b c
1 1 1 a
2 1 2 b
3 2 3 c
4 2 4 e
在问题中发布的sqldf代码中,似乎在这两个表上使用了索引,但实际上,它们被放在了sql select运行之前被覆盖的表上,这在一定程度上解释了其速度如此之慢的原因.sqldf的思想是,R会话中的数据帧构成数据库,而不是sqlite中的表.因此,每次代码引用非限定表名时,它都会在R工作区中查找它,而不是在sqlite的主数据库中.因此,所显示的select语句将d1和d2工作区读取到sqlite的主数据库中,并用索引替换其中的数据库.因此,它执行一个没有索引的连接.如果您想使用sqlite主数据库中的d1和d2版本,您必须将它们称为main.d1和main.d2,而非d1和d2.此外,如果您试图让它尽可能快地运行,那么请注意,简单联接不能同时使用两个表上的索引,因此可以节省创建其中一个索引的时间.在下面的代码中,我们将说明这些要点.
值得注意的是,精确的计算可以对哪个包的速度最快产生巨大的影响.例如,我们在下面进行合并和聚合.我们发现,这两种情况的结果几乎相反.在第一个例子中,我们从最快到最慢得到:数据.table、plyr、merge和sqldf,而在第二个示例中,sqldf、aggregate和data.表和plyr——几乎与第一个相反.在第一个示例中,sqldf比数据慢3倍.表和第二个表比plyr快200倍,比数据快100倍.桌子下面我们展示了输入代码、合并的输出计时和聚合的输出计时.值得注意的是,sqldf基于数据库,因此可以处理比R更大的对象(如果使用sqldf的dbname参数),而其他方法仅限于在主存中处理.我们还用sqlite演示了sqldf,但它也支持H2和PostgreSQL数据库.
library(plyr)
library(data.table)
library(sqldf)
set.seed(123)
N <- 1e5
d1 <- data.frame(x=sample(N,N), y1=rnorm(N))
d2 <- data.frame(x=sample(N,N), y2=rnorm(N))
g1 <- sample(1:1000, N, replace = TRUE)
g2<- sample(1:1000, N, replace = TRUE)
d <- data.frame(d1, g1, g2)
library(rbenchmark)
benchmark(replications = 1, order = "elapsed",
merge = merge(d1, d2),
plyr = join(d1, d2),
data.table = {
dt1 <- data.table(d1, key = "x")
dt2 <- data.table(d2, key = "x")
data.frame( dt1[dt2,list(x,y1,y2=dt2$y2)] )
},
sqldf = sqldf(c("create index ix1 on d1(x)",
"select * from main.d1 join d2 using(x)"))
)
set.seed(123)
N <- 1e5
g1 <- sample(1:1000, N, replace = TRUE)
g2<- sample(1:1000, N, replace = TRUE)
d <- data.frame(x=sample(N,N), y=rnorm(N), g1, g2)
benchmark(replications = 1, order = "elapsed",
aggregate = aggregate(d[c("x", "y")], d[c("g1", "g2")], mean),
data.table = {
dt <- data.table(d, key = "g1,g2")
dt[, colMeans(cbind(x, y)), by = "g1,g2"]
},
plyr = ddply(d, .(g1, g2), summarise, avx = mean(x), avy=mean(y)),
sqldf = sqldf(c("create index ix on d(g1, g2)",
"select g1, g2, avg(x), avg(y) from main.d group by g1, g2"))
)
比较合并计算的两个基准调用的输出为:
Joining by: x
test replications elapsed relative user.self sys.self user.child sys.child
3 data.table 1 0.34 1.000000 0.31 0.01 NA NA
2 plyr 1 0.44 1.294118 0.39 0.02 NA NA
1 merge 1 1.17 3.441176 1.10 0.04 NA NA
4 sqldf 1 3.34 9.823529 3.24 0.04 NA NA
比较合计计算的基准测试调用的输出为:
test replications elapsed relative user.self sys.self user.child sys.child
4 sqldf 1 2.81 1.000000 2.73 0.02 NA NA
1 aggregate 1 14.89 5.298932 14.89 0.00 NA NA
2 data.table 1 132.46 47.138790 131.70 0.08 NA NA
3 plyr 1 212.69 75.690391 211.57 0.56 NA NA