[討論] for loop與*apply function請益

[locka (locka)]

各位大大晚安,


我有一份總共九個欄位約30萬筆的原始資料,
因為想要分成4組畫圖

所以第一個想到的事就是新增第十個欄位(稱作group),
然後根據某個欄位(假設為第八個欄位好了)的值分組,
並填入第十個欄位(group1~group4)


很笨的用for loop搭配if else寫,可是速度整個悲劇...

好讀程式碼請見: http://pastie.org/10200854

add.col.group <- function(data){
    data$group <- 0
    for(i in 1:nrow(data)){
        if(data[i,8] < 0.25){data[i,10]  <- "group1"}
        else if(data[i,8] < 0.5 & data[i,8] > 0.25){data[i,10]  <- "group2" }
        else if(data[i,8] < 0.75 & data[i,8] > 0.5){data[i,10]  <- "group3" }
        else {data[i,10]  <- "group4" }
    }
    data
}
## call function
new.data <- add.col.group(data)

後來嘗試改成用sapply搭配自己寫的判斷函式

好讀程式碼請見: http://pastie.org/10200933

## 判斷分組
assign.group <- function(value){
    if(value < 0.25){return_value <-  "group1"}
    else if(value < 0.5){return_value <- "group2" }
    else if(value < 0.75){return_value <- "group3" }
    else return_value <- "group4"
    return_value
}

## 新增欄位並填入值
add.col.group <- function(data){
    data$group <- 0
    data$group <- sapply(data$avg, assign_group) ##avg即為第八個欄位的名稱
    data
}
## call function
new_data <- add.col.group(data)



結果沒想到,速度竟然是爆發性的進展!!!(驚)

(因為怕爆掉,先用2萬筆資料測試)

用for loop寫:
   user  system elapsed
   0.11    0.00    0.11

用sapply寫:
   user  system elapsed
  42.18    0.00   43.02



可是不知道這樣的寫法會不會很笨...還有更好的寫法嗎?
還是其實根本不應該用*apply寫?
還請各位高手大大指點一下,謝謝大家了!




後記:

原本是想要發文求指點sapply的寫法...
結果剛剛文章打到一半當掉的時候, 突然靈光乍現了!
雖然好像沒有很難, 可是能靠自己的力量想出來總是很開心的一件事啊>"<
(儘管文章要重打很累XD)




[環境敘述]:
version.string R version 3.0.3 (2014-03-06)

[關鍵字]:
for loop, sapply

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 59.115.22.250
※ 文章網址: https://www.ptt.cc/bbs/R_Language/M.1432236554.A.019.html
→ obarisk: apply和for差不多吧，vectorize才會變快
→ obarisk: 用cut+cbind
→ obarisk: 或是用 nvec <- c(NA, length=nrow(da))
→ obarisk: nvec[da[, 8]<.25] <- "grp1"
→ obarisk: 依此類推，最後再cbind
推 gsuper: Function內包function是主因
→ gsuper: 這種寫法很不容易寫 效率又會爆炸性的變差 真的是事倍功半
→ gsuper: 另外一個大問題
→ gsuper: 我直接開一篇好了
→ andrew43: 二個關鍵：用 cut()，以及不要多次改寫 data frame。
→ andrew43: 用對方法的話，20萬筆應該按enter就馬上有結果不會卡。
→ locka: 在此先謝謝obarisk,gsuper,andrew43等大大熱情的回應。我
→ locka: 覺得andrew大講到一個點，就是我一直想要改寫data frame，
→ locka: 因為對我來說總覺得這樣資料比較好懂不會亂(似乎腦袋好像
→ locka: 還停留在用一般dbms的table在理解r的data frame…)待我測
→ locka: 試後有心得再跟大家分享，先謝謝大家了！
→ andrew43: 我的「改寫」的意思是不要頻繁地改變data frame
→ andrew43: 因為這會算很慢，並不是指不要改變data frame喔
推 alasa15: 看起來dplyr可以完美解決你的問題