推 thea: 推推！ 07/12 15:57
推 Wush978: push 07/12 19:44
→ gsuper: fread() 愛用者+1 07/12 19:56
推 leo0650: 推 07/12 21:46
推 yaowei2010: 推炸! 07/13 10:31
推 MADNUG: 推，很好的參考！！ 07/15 15:30
推 mayneck: 推一個，很棒的參考 07/16 22:54
這篇想呈現怎樣整理修改data.frmae/data.table內的資料
過程中，是否會製作資料複本會造成效能的低落
我試著把可能的解法都想在這篇裡面
這篇用一個最簡單的例子
包含"Null"字元的一個正數csv檔案
目標是要把Null轉成NA，並且全部column都轉成int/num
可以考慮幾種方式
1. 用read.csv讀，使用default option，再做剩下的修改
2. 用read.csv讀，設定stringsAsFactors=FALSE，直接對chr做修改
3. 用read.csv讀，設定na.strings = "Null"，所有column就會直接變成int
4. 用fread讀，使用default options，再做剩下的修改
5. 用fread讀，設定na.strings = "Null"，再做剩下的修改
這樣看起來3.是最方便的方式，不過fread再讀大資料時，有它的效率優勢
考慮一個有50000個row，200個column的資料，其中有156行包含"Null"
比較看看怎樣的轉換方式最快。
程式：http://pastebin.com/hX4Biq7x
machine: CPU: Celeron [email protected] 6GB Ram
Revolution R Open: R version 3.2.0 (2015-04-16)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 7 x64 (build 7601) Service Pack 1
Unit: seconds
expr min lq mean median uq max neval
method_1 3.971753 4.036618 4.460901 4.535446 4.731301 5.329010 20
method_2 3.772901 3.842948 4.494862 4.049869 4.323830 9.667021 20
method_3 3.788617 3.853613 4.132342 3.921652 4.347161 5.132272 20
method_4 3.716265 3.843885 4.145333 3.998319 4.247201 5.708531 20
method_5 12.481331 13.448137 17.182267 14.693496 17.808658 32.192652 20
method_6 12.348287 13.795098 16.440180 15.891280 17.371023 27.189625 20
method_7 4.773306 4.849003 5.630633 5.326955 5.695046 11.200814 20
method_8 4.100167 4.172661 4.989753 4.536472 5.041444 9.395030 20
method_9 3.908649 4.057392 4.580684 4.365466 4.685546 8.113558 20
method_10 3.920710 3.991021 4.342576 4.350796 4.621759 5.118484 20
method_11 3.756906 3.814765 4.528976 4.191450 4.553097 7.491762 20
method_12 4.215348 4.312883 4.487966 4.440046 4.558055 5.273808 20
method_13 4.214801 4.299568 4.650518 4.482193 4.683664 7.368416 20
method_14 3.859733 3.975412 4.406024 4.316589 4.433386 6.868416 20
method_15 3.814103 4.236323 4.428712 4.367902 4.615070 5.399137 20
小評：
method_5跟method_6 (data.frame+sapply)是最差的方式
method_7(data.frame (讀入不轉factor) as.matrix+as.integer)為次差的方式
最好的方式是method_3跟method_4 (data.table+plyr::colwise)
稍差的方法如method_10 (data.frame (default讀入) + base::transform)
method_14 (data.table (default讀入) + data.table::transform)
method_15 (data.table (讀入設定nastrings) + data.table::transform)
method_12跟method_13 (data.table + dplyr::mutate_each_)表現頗為中庸
如果有其他方法，歡迎提出比較，感謝各位。
結論：
如果資料小的時候，直接使用3.的方式讀入資料即可
如果資料較大(大概超過一百萬個數值)的時候，建議用fread配上colwise做修改
[關鍵字]: plyr, dplyr, data.table, data.frame
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 123.205.27.107
※ 文章網址: https://www.ptt.cc/bbs/R_Language/M.1436685772.A.51F.html
※ 編輯: celestialgod (123.205.27.107), 07/12/2015 15:34:32