r - R:一个“整洁”的函数版本比原来的要慢得多,我想知道为什么
问题描述
我有来自具有唯一 ID 的主题的数据,这些数据来自多次访问,每次访问都位于数据框的单独行中。某些信息,如性别或出生年份,可能仅在一次访问中收集,但在任何一次访问中都是相关的。对于未收集信息的访问,该字段将为 NA。因此,我创建了一个函数,将给定字段的主题信息复制到所有访问,替换 NA。它起作用了,但是代码很笨拙,现在我正在学习整理数据,我想将其合并以使代码更干净。我也希望它能够加快这个过程,但事实并非如此。
首先,这里有一些玩具数据:
data <- tibble(record_id = c(rep(LETTERS[1:4], 3)),
year1 = c(NA, NA, 2000, 2001, 2002, rep(NA, 7)),
year2 = c(rep(NA, 5), 2003, 2004, 2005, 2006, rep(NA, 3)))
以下将给出预期的结果:
data %>%
group_by(id) %>%
arrange(year1, .by_group = T) %>%
fill(year1) %>%
arrange(year2) %>%
fill(year2)
在我整理之前,我创建了这段代码,它工作得很好。
mash.old <- function(data, variable){
x <- data[!is.na(data[,variable]),] %>%
distinct(record_id, .keep_all = T)
x <- as.data.frame(x)
for(i in 1:nrow(data)){
if(is.na(data[i,variable]) &
data[i, "record_id"] %in% x$record_id){
id <- data[i, "record_id"]
data[i,variable] <- x[x$record_id == as.character(id),
variable]
}else{
next
}
}
rm(x, id, i)
return(data)
}
我可以跑
data <- mash.old(data, 'year1')
data <- mash.old(data, 'year2')
并得到想要的结果。
我想通过允许它接受一个变量向量来执行函数,可以选择分组变量(主题 id 变量名称)并使用 dplyr/tidyr 来改进它。所以我创建了这个:
mash.new <- function(data, variables, grouping.var = record_id){
for(i in variables){
data <- data %>%
group_by(!!enquo(grouping.var)) %>%
arrange((!!sym(i)), .by_group = T) %>%
fill(!!sym(i)) %>%
ungroup()
}
return(data)
}
现在mash.new(data, c('year1, 'year2'))
将返回预期的结果。这个小数据框没问题。
我的实际数据框有 15762 行,我想为十二个变量运行该函数。mash.old()
花了大约四分钟来做到这一点。mash.new()
说要三个小时左右,所以大概五分钟左右就停了。
我的问题是为什么会有巨大的差异?我认为我的第一个函数既业余又笨重,我认为我正在改进。只是分组、排列、填充和分组的过程需要更多的计算能力吗?有没有更好的方法来写这个?我是自学成才,只是想提高我的技能。
编辑
谢谢您的帮助。这是我最终使用的功能。即使 Cole 的data.table
版本更快,我还是选择坚持使用这种dplyr
方法,只是因为我所知道的。
mash <- function(data, variables, grouping.var = record_id){
data <- data %>%
arrange(!!enquo(grouping.var)) %>%
group_by(!!enquo(grouping.var)) %>%
mutate_at(vars(!!!variables),
function(x) zoo::na.locf(x[order(x)], na.rm = F)) %>%
ungroup()
return(data)
}
#Note that if there are two different entries for a given subject in a
#variable, this will fill with the data that comes last in the sort order
解决方案
最大的改进将是group_by()
一次。现在,您正在进行 12 次分组和取消分组,这增加了很多不必要的开销。加上新功能将所有内容重新分配给它自己——如果我们在上面year1
,就没有理由弄乱year2
或report_id
library(dplyr)
library(zoo)
data%>%
arrange(record_id)%>%
group_by(record_id)%>%
mutate_at(vars(-group_cols()), function(x) zoo::na.locf(x[order(x)], na.rm = F))%>%
ungroup()
# A tibble: 12 x 3
record_id year1 year2
<chr> <dbl> <dbl>
1 A 2002 2006
2 A 2002 2006
3 A 2002 2006
4 B NA 2003
5 B NA 2003
6 B NA 2003
7 C 2000 2004
8 C 2000 2004
9 C 2000 2004
10 D 2001 2005
11 D 2001 2005
12 D 2001 2005
此外,我最喜欢的是data.table
. 它简短而甜蜜:
library(data.table)
library(zoo)
dt <- as.data.table(data)
vars_n <- names(dt)[-1] #included if you want to make a function later
dt[,lapply(.SD, function(x) zoo::na.locf(x[order(x)], na.rm = F)), keyby = record_id, .SDcols = vars_n]
这也是最快的
Unit: milliseconds
expr min lq mean median uq max neval
cole_dplyr 3.2388 3.39800 3.588391 3.47175 3.62610 6.6420 100
cole_dt2 1.6135 1.83535 2.082963 1.96230 2.07435 6.7179 100
mashing_old 4.6119 4.86305 5.175244 4.94930 5.10220 9.1026 100
mashing_new 16.1860 16.82445 18.610696 17.30585 18.01270 101.6192 100
OP_non_mashing 15.1633 15.57970 16.914889 16.10400 16.97860 46.5837 100
我的所有代码 - 基准都在底部:
library(tidyverse)
data <- tibble(record_id = c(rep(LETTERS[1:4], 3)),
year1 = c(NA, NA, 2000, 2001, 2002, rep(NA, 7)),
year2 = c(rep(NA, 5), 2003, 2004, 2005, 2006, rep(NA, 3)))
data <- tibble(record_id = c(rep(LETTERS[1:4], 3)),
year1 = c(NA, NA, 2000, 2001, 2002, rep(NA, 7)),
year2 = c(rep(NA, 5), 2003, 2004, 2005, 2006, 2002, rep(NA, 2)))
data
library(data.table)
dt <- as.data.table(data)
vars_n <- names(dt)[-1] #included if you want to make a function later
dt[,lapply(.SD, function(x) zoo::na.locf(x[order(x)], na.rm = F)), keyby = record_id, .SDcols = vars_n]
data%>%
arrange(record_id)%>%
group_by(record_id)%>%
mutate_at(vars(-group_cols()), function(x) zoo::na.locf(x[order(x)], na.rm = F))%>%
ungroup()
mash.old <- function(data, variable){
x <- data[!is.na(data[,variable]),] %>%
distinct(record_id, .keep_all = T)
x <- as.data.frame(x)
for(i in 1:nrow(data)){
if(is.na(data[i,variable]) &
data[i, "record_id"] %in% x$record_id){
id <- data[i, "record_id"]
data[i,variable] <- x[x$record_id == as.character(id),
variable]
}else{
next
}
}
rm(x, id, i)
return(data)
}
mash.new <- function(data, variables, grouping.var = record_id){
for(i in variables){
data <- data %>%
group_by(!!enquo(grouping.var)) %>%
arrange((!!sym(i)), .by_group = T) %>%
fill(!!sym(i)) %>%
ungroup()
}
return(data)
}
library(microbenchmark)
microbenchmark(
cole_dplyr = {
data %>%
arrange(record_id)%>%
group_by(record_id)%>%
mutate_at(vars(-group_cols()), function(x) zoo::na.locf(x[order(x)], na.rm = F))%>%
ungroup()
}
,
# cole_dt = {
# dt1 <- copy(dt)
#
# vars_n <- names(dt1)[-1]
# dt1[, (vars_n) := lapply(.SD, function(x) zoo::na.locf(sort(x))), keyby = record_id]
# },
cole_dt2 = {
dt[,lapply(.SD, function(x) zoo::na.locf(x[order(x)], na.rm = F)), keyby = record_id]
},
mashing_old = {
data1 <- data
data1 <- mash.old(data1, 'year1')
data1 <- mash.old(data1, 'year2')
}
,
mashing_new = {
mash.new(data, c('year1', 'year2'))
}
, OP_non_mashing = {
data %>%
group_by(record_id) %>%
arrange(year1, .by_group = T) %>%
fill(year1) %>%
arrange(year2) %>%
fill(year2)
}
)
推荐阅读
- python - 处理 pandas read_sql() 中可选块大小的函数
- heroku - 如何使用 blazegraph 托管我自己的 Triplestore?
- symfony - Symfony 5 - 自定义 Twig 错误模板
- sql - DB2 SQL 添加列值
- python - 为什么相同的代码会在 pycharm 和终端中产生不同的结果?
- r - 使用公式将 ifelse() 条件应用于数据框中的多个列以获取 NA 的值,该公式使用链接到列中另一个值的公式
- maven - 当质量门失败时,如何使 Maven 构建失败?
- .net-core - 在 Startup 中创建 ILogger 实例
- python - 用于反向外键查找的 Django 自定义管理器(相关管理器)
- json - 使用 Swift 5 解码包含在字典中的 JSON 数组