代码之家 › 专栏 › 技术社区 › Neal Barsch

提高r中data.table中两列的粘贴速度(可复制)

data.table time performance r

Neal Barsch · 技术社区 · 6 年前

我有这样的数据:

library(data.table)
NN = 10000000
set.seed(32040)
DT <- data.table(
  col = 1:10000000,
  timestamp = 1521872652 + sample(7000001, NN, replace = TRUE)
)

有一个有效的当前解决方案(如下),但速度很慢 从日期列唯一粘贴周和年的部分。日期的创建使用 anytime 包装和牵引 week 和 year 从 lubridate 仍然很快。有人能帮我加快速度吗?谢谢!

我的慢代码(有效,但我想加快速度) 以下内容:

library(anytime)
library(lubridate)
tz<-"Africa/Addis_Ababa"
DT$localtime<-  anytime(DT$timestamp, tz=tz) ###Lightning fast
DT$weekuni <- paste(year(DT$localtime),week(DT$localtime),sep="") ###super slow

我的测试显示是 paste 真让我受不了:

很快 任何时候 转换到日期:

system.time(DT$localtime<-  anytime(DT$timestamp, tz=tz)) ###Lightning fast
       user  system elapsed 
      0.264   0.417   0.933

快 润滑 从日期开始的周和年转换,但很慢 粘贴 以下内容:

> system.time(DT$weekuni1 <- week(DT$localtime)) ###super slow
   user  system elapsed 
  1.203   0.188   1.400 
> system.time(DT$weekuni2 <- year(DT$localtime))
   user  system elapsed 
  1.229   0.189   1.427 
> system.time(DT$weekuni <- paste0(DT$weekuni1,dt$weekuni2))
   user  system elapsed 
 14.652   0.344  15.483

2 回复 | 直到 6 年前

MichaelChirico 6 年前

我让你的代码运行速度提高了50% format 而不是 paste 是的。

首先,我不确定 anytime 对于您的用例,因为我们可以将时间戳放入 POSIXct 结构几乎立即:

DT[ , localtime := .POSIXct(timestamp, tz = tz)]

接下来,我四处搜寻 ?strptime 对于要获取的基于ISO周的格式代码:

DT[ , weekuni := format(localtime, format = '%G%V')]

我不是百分之百确定这会一直和 paste(year, week) ,但这是为了你的测试数据;如果有的话是他们之间的区别在于,你应该问问这对你是否真的重要。

我唯一能想到的可能更快的方法是在时间戳本身上使用整数运算。如果 Africa/Addis_Ababa 非洲/亚的斯亚贝巴 观察夏时制时间,因此UTC偏移量在2&3小时之间变化,使得整数算术方法变得非常困难)

作为记录,使用 data.table::year 和 data.table::week 和这里使用的方法一样快, 但是它对“年”和“周”的定义不同于 lubridate (默认使用ISO年/周 %G%V 以上所述)。

data.table 还没有 isoyear 实施,以及 data.table::isoweek 大大慢于 lubridate::week 是的。

Hugh 6 年前

如果您只想根据日期定义一年中的一周,那么您可以得到一个速度快20倍的解决方案:

library(data.table)
NN = 10000000
# NN = 1e4
set.seed(32040)
DT <- data.table(
  col = seq_len(NN),
  timestamp = 1521872652 + sample(7000001, NN, replace = TRUE)
)
DT1 <- copy(DT)

DT2 <- copy(DT)
tz <- "Africa/Addis_Ababa"

old <- function(DT) {
  DT$localtime<-  anytime::anytime(DT$timestamp, tz=tz) ###Lightning fast
  DT$weekuni <- paste(lubridate::year(DT$localtime), lubridate::week(DT$localtime), sep="")
  DT[, timestamp := NULL]
  DT[, .(col, localtime, weekuni)]
}

new <- function(DT) {
  DT[ , localtime := anytime::anytime(timestamp, tz = tz)]
  DT[, Date := as.Date(localtime)]
  DT[, weekuni := paste0(lubridate::year(.BY[[1L]]), lubridate::week(.BY[[1L]])),
     keyby = "Date"]
  DT[, Date := NULL]
  # DT[, timestamp := NULL]
  DT[order(col), .(col, localtime, weekuni)]
}

bench::mark(old(DT1), new(DT2), check = FALSE, filter_gc = FALSE)
#> # A tibble: 2 x 10
#>   expression     min    mean median    max `itr/sec` mem_alloc  n_gc n_itr
#>   <chr>      <bch:t> <bch:t> <bch:> <bch:>     <dbl> <bch:byt> <dbl> <int>
#> 1 old(DT1)    22.39s  22.39s 22.39s 22.39s    0.0447    2.28GB     5     1
#> 2 new(DT2)     1.13s   1.13s  1.13s  1.13s    0.888   878.12MB     1     1
#> # ... with 1 more variable: total_time <bch:tm>

^{于2018年6月23日由

reprex package

(第0.2.0版)。}

即使你没有,你仍然可以通过使用 paste 每天一次:

library(data.table)
NN = 1e7
# NN = 1e4
set.seed(32040)
DT <- data.table(
  col = seq_len(NN),
  timestamp = 1521872652 + sample(7000001, NN, replace = TRUE)
)
DT1 <- copy(DT)

DT2 <- copy(DT)
DT3 <- copy(DT)
tz <- "Africa/Addis_Ababa"

old <- function(DT) {
  DT$localtime<-  anytime::anytime(DT$timestamp, tz=tz) ###Lightning fast
  DT$weekuni <- paste(lubridate::year(DT$localtime), lubridate::week(DT$localtime), sep="")
  DT[, timestamp := NULL]
  DT[, .(col, weekuni)]
}

new <- function(DT) {
  DT[ , Date := anytime::anydate(timestamp, tz = tz)]
  DT[, weekuni := paste0(lubridate::year(.BY[[1L]]), lubridate::week(.BY[[1L]])),
     keyby = "Date"]
  DT[, Date := NULL]
  # DT[, timestamp := NULL]
  setorderv(DT[, .(col, weekuni)], "col")
}


bench::mark(old(DT1), new(DT2), check = TRUE, filter_gc = FALSE)
#> # A tibble: 2 x 10
#>   expression     min    mean median    max `itr/sec` mem_alloc  n_gc n_itr
#>   <chr>      <bch:t> <bch:t> <bch:> <bch:>     <dbl> <bch:byt> <dbl> <int>
#> 1 old(DT1)     22.2s   22.2s  22.2s  22.2s    0.0450    2.21GB     4     1
#> 2 new(DT2)      2.8s    2.8s   2.8s   2.8s    0.357     1.42GB     3     1
#> # ... with 1 more variable: total_time <bch:tm>