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dplyr
or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 = NA
wich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0
like 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。