data.table vs dplyr: один может делать что-то хорошо, другой - плохо или плохо?

760

обзор

Я относительно знаком с data.table, не так много с dplyr. Я прочитал несколько dplyrвиньеток и примеров, которые всплыли на SO, и до сих пор мои выводы таковы:

  1. data.tableи dplyrсопоставимы по скорости, за исключением случаев, когда существует много (то есть> 10-100 КБ) групп, и при некоторых других обстоятельствах (см. контрольные показатели ниже)
  2. dplyr имеет более доступный синтаксис
  3. dplyr тезисы (или воля) потенциальных взаимодействий БД
  4. Есть некоторые незначительные функциональные различия (см. «Примеры / Использование» ниже)

На мой взгляд, 2. не имеет большого веса, потому что я довольно знаком с ним data.table, хотя я понимаю, что для пользователей, новичков в обоих, это будет большой фактор. Я хотел бы избежать спора, который является более интуитивным, поскольку он не имеет отношения к моему конкретному вопросу, заданному с точки зрения кого-то, с кем уже знаком data.table. Я также хотел бы избежать дискуссии о том, как «более интуитивный» ведет к более быстрому анализу (конечно, правда, но опять же, не то, что меня больше всего интересует здесь).

Вопрос

То, что я хочу знать, это:

  1. Существуют ли аналитические задачи, которые намного проще кодировать с тем или иным пакетом для людей, знакомых с этими пакетами (т. Е. Требуется некоторая комбинация нажатий клавиш в сравнении с требуемым уровнем эзотерики, где меньше каждого из них - хорошая вещь).
  2. Существуют ли аналитические задачи, которые выполняются существенно (т.е. более чем в 2 раза) более эффективно в одном пакете по сравнению с другим.

Один недавний вопрос SO заставил меня задуматься об этом немного больше, потому что до этого момента я не думал dplyr, что смогу предложить намного больше того, что я уже могу сделать data.table. Вот dplyrрешение (данные в конце Q):

dat %.%
  group_by(name, job) %.%
  filter(job != "Boss" | year == min(year)) %.%
  mutate(cumu_job2 = cumsum(job2))

Что было намного лучше, чем моя попытка взломать data.tableрешение. Тем не менее, хорошие data.tableрешения также довольно хороши (спасибо Жан-Роберту, Аруну, и обратите внимание, здесь я предпочел одно утверждение перед строго самым оптимальным решением):

setDT(dat)[,
  .SD[job != "Boss" | year == min(year)][, cumjob := cumsum(job2)], 
  by=list(id, job)
]

Синтаксис для последнего может показаться очень эзотерическим, но на самом деле он довольно прост, если вы привыкли data.table(то есть не использовать некоторые из более эзотерических приемов).

В идеале я хотел бы увидеть несколько хороших примеров, в которых dplyrили был бы data.tableзначительно более кратким или значительно более эффективным.

Примеры

Применение
  • dplyrне допускает сгруппированных операций, которые возвращают произвольное количество строк (из вопроса Эдди , обратите внимание: похоже, что это будет реализовано в dplyr 0.5 , также @beginneR показывает потенциальный обходной путь, используемый doв ответе на вопрос @ eddi).
  • data.tableподдерживает скользящие соединения (спасибо @dholstius), а также соединения с перекрытием
  • data.tableвнутренне оптимизирует выражение вида DT[col == value]или DT[col %in% values]для скорости через автоматическую индексацию , которая использует бинарный поиск , используя тот же синтаксис базового R. Смотрите здесь для более подробной информации и крошечного теста.
  • dplyrпредлагает стандартные оценочные версии функций (например regroup, summarize_each_), которые могут упростить программное использование dplyr(обратите внимание, программное использование data.tableопределенно возможно, просто требует некоторого тщательного обдумывания, подстановки / цитирования и т. д., по крайней мере, насколько мне известно)
Ориентиры

Данные

Это первый пример, который я показал в разделе вопросов.

dat <- structure(list(id = c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 
2L, 2L, 2L, 2L, 2L, 2L), name = c("Jane", "Jane", "Jane", "Jane", 
"Jane", "Jane", "Jane", "Jane", "Bob", "Bob", "Bob", "Bob", "Bob", 
"Bob", "Bob", "Bob"), year = c(1980L, 1981L, 1982L, 1983L, 1984L, 
1985L, 1986L, 1987L, 1985L, 1986L, 1987L, 1988L, 1989L, 1990L, 
1991L, 1992L), job = c("Manager", "Manager", "Manager", "Manager", 
"Manager", "Manager", "Boss", "Boss", "Manager", "Manager", "Manager", 
"Boss", "Boss", "Boss", "Boss", "Boss"), job2 = c(1L, 1L, 1L, 
1L, 1L, 1L, 0L, 0L, 1L, 1L, 1L, 0L, 0L, 0L, 0L, 0L)), .Names = c("id", 
"name", "year", "job", "job2"), class = "data.frame", row.names = c(NA, 
-16L))
BrodieG
источник
9
Решение, похожее по чтению на следующее dplyr:as.data.table(dat)[, .SD[job != "Boss" | year == min(year)][, cumjob := cumsum(job2)], by = list(name, job)]
eddi
7
Для # 1 dplyrи data.tableкоманда, и команда работают над эталонами, так что ответ будет в какой-то момент. № 2 (синтаксис) imO строго ложно, но это явно затрагивает территорию мнений, поэтому я тоже голосую за закрытие.
Эдди
13
ну, опять же, imO, набор проблем, которые более четко выражены, (d)plyrимеет меру 0
eddi
28
@BrodieG единственное, что действительно мешает мне обоим dplyrи в plyrотношении синтаксиса, и в основном это главная причина, почему мне не нравится их синтаксис, это то, что мне нужно выучить слишком много (читай более 1) дополнительных функций (с именами, которые до сих пор не имеет смысла для меня), помните, что они делают, какие аргументы они используют и т. д. Это всегда было огромным препятствием для меня от философии plyr.
Эдди
43
@eddi [tongue-in-cheek] единственное, что действительно мешает мне в синтаксисе data.table, это то, что мне нужно узнать, как взаимодействует слишком много аргументов функций и что означают загадочные ярлыки (например .SD). [серьезно] Я думаю, что это законные конструктивные отличия, которые понравятся разным людям
Хэдли

Ответы:

532

Мы должны охватывать по крайней мере , эти аспекты , чтобы обеспечить всесторонний ответ / сравнения (в произвольном порядке важности): Speed, Memory usage, Syntaxи Features.

Мое намерение состоит в том, чтобы охватить каждый из них как можно более четко с точки зрения таблицы данных.

Примечание: если явно не указано иное, обращаясь к dplyr, мы ссылаемся на интерфейс data.frame dplyr, внутренняя часть которого находится в C ++ с использованием Rcpp.


Синтаксис data.table согласован в своей форме - DT[i, j, by]. Чтобы сохранить i, jи byвместе это дизайн. Объединяя связанные операции, он позволяет легко оптимизировать операции для скорости и, что более важно, использования памяти , а также предоставляет некоторые мощные функции , сохраняя при этом согласованность синтаксиса.

1. Скорость

К вопросу, уже показывающему, что data.table становится быстрее, чем dplyr, добавляется довольно много тестов (хотя в основном это касается операций группирования), в том числе число групп и / или строк, которые нужно сгруппировать, увеличивается, включая тесты Matt для группировки с 10 миллионов до 2 миллиарда строк (100 ГБ в ОЗУ) на 100 - 10 миллионов групп и различные столбцы группировки, которые также сравниваются pandas. Смотрите также обновленные тесты , которые включают Sparkи pydatatableтакже.

В тестах было бы замечательно охватить и эти оставшиеся аспекты:

  • Группировка операций, включающая подмножество строк, т. DT[x > val, sum(y), by = z]Е. Операции типа.

  • Оцените другие операции, такие как обновление и присоединения .

  • Кроме того, тест памяти для каждой операции в дополнение к времени выполнения.

2. Использование памяти

  1. Операции с участием filter()или slice()в dplyr могут быть неэффективными в памяти (как для data.frames, так и для data.tables). Смотрите этот пост .

    Обратите внимание, что комментарий Хэдли говорит о скорости (что dplyr для него достаточно быстр), тогда как главная проблема здесь - память .

  2. Интерфейс data.table в данный момент позволяет изменять / обновлять столбцы по ссылке (обратите внимание, что нам не нужно повторно присваивать результат обратно переменной).

    # sub-assign by reference, updates 'y' in-place
    DT[x >= 1L, y := NA]

    Но dplyr никогда не будет обновляться по ссылке. Эквивалент dplyr будет (обратите внимание, что результат должен быть переназначен):

    # copies the entire 'y' column
    ans <- DF %>% mutate(y = replace(y, which(x >= 1L), NA))

    Забота об этом - ссылочная прозрачность . Обновление объекта data.table по ссылке, особенно внутри функции, не всегда желательно. Но это невероятно полезная функция: см. Этот и этот пост для интересных случаев. И мы хотим сохранить это.

    Поэтому мы работаем над экспортом shallow()функции в data.table, которая предоставит пользователю обе возможности . Например, если желательно не изменять входную таблицу data.table внутри функции, можно выполнить:

    foo <- function(DT) {
        DT = shallow(DT)          ## shallow copy DT
        DT[, newcol := 1L]        ## does not affect the original DT 
        DT[x > 2L, newcol := 2L]  ## no need to copy (internally), as this column exists only in shallow copied DT
        DT[x > 2L, x := 3L]       ## have to copy (like base R / dplyr does always); otherwise original DT will 
                                  ## also get modified.
    }

    Не используя shallow(), старые функциональные возможности сохраняются:

    bar <- function(DT) {
        DT[, newcol := 1L]        ## old behaviour, original DT gets updated by reference
        DT[x > 2L, x := 3L]       ## old behaviour, update column x in original DT.
    }

    Создавая поверхностную копию с помощью shallow(), мы понимаем, что вы не хотите изменять исходный объект. Мы позаботимся обо всем внутренне, чтобы гарантировать, что при копировании столбцов вы изменяете только тогда, когда это абсолютно необходимо . Когда это реализовано, это должно полностью решить проблему ссылочной прозрачности , предоставляя пользователю обе возможности.

    Кроме того, однажды shallow()экспортированный интерфейс data.table dplyr должен избегать почти всех копий. Так что те, кто предпочитает синтаксис dplyr, могут использовать его с data.tables.

    Но ему по-прежнему будет не хватать многих функций, которые предоставляет data.table, включая (суб) назначение по ссылке.

  3. Агрегировать при присоединении:

    Предположим, у вас есть две таблицы данных:

    DT1 = data.table(x=c(1,1,1,1,2,2,2,2), y=c("a", "a", "b", "b"), z=1:8, key=c("x", "y"))
    #    x y z
    # 1: 1 a 1
    # 2: 1 a 2
    # 3: 1 b 3
    # 4: 1 b 4
    # 5: 2 a 5
    # 6: 2 a 6
    # 7: 2 b 7
    # 8: 2 b 8
    DT2 = data.table(x=1:2, y=c("a", "b"), mul=4:3, key=c("x", "y"))
    #    x y mul
    # 1: 1 a   4
    # 2: 2 b   3

    И вы хотели бы получить sum(z) * mulдля каждой строки DT2при объединении по столбцам x,y. Мы можем либо:

    • 1) совокупность, DT1чтобы получить sum(z), 2) выполнить объединение и 3) умножить (или)

      # data.table way
      DT1[, .(z = sum(z)), keyby = .(x,y)][DT2][, z := z*mul][]
      
      # dplyr equivalent
      DF1 %>% group_by(x, y) %>% summarise(z = sum(z)) %>% 
          right_join(DF2) %>% mutate(z = z * mul)
    • 2) сделать все за один раз (используя by = .EACHIфункцию):

      DT1[DT2, list(z=sum(z) * mul), by = .EACHI]

    В чем преимущество?

    • Нам не нужно выделять память для промежуточного результата.

    • Нам не нужно группировать / хэшировать дважды (один для агрегации, другой для объединения).

    • И что более важно, операция, которую мы хотели выполнить, понятна из j(2).

    Проверьте этот пост для подробного объяснения by = .EACHI. Промежуточные результаты не материализуются, и объединение + агрегат выполняется за один раз.

    Посмотрите на это , это и это сообщения для реальных сценариев использования.

    Вначале dplyrвам придется объединять и агрегировать или агрегировать, а затем объединять , но ни один из них не является настолько эффективным с точки зрения памяти (что, в свою очередь, приводит к скорости).

  4. Обновление и присоединения:

    Рассмотрим код data.table, показанный ниже:

    DT1[DT2, col := i.mul]

    добавляет / обновляет DT1столбец colс mulиз DT2тех строк, где DT2совпадает ключевой столбец DT1. Я не думаю, что есть точный эквивалент этой операции dplyr, то есть, не избегая *_joinоперации, которая должна была бы копировать весь, DT1только чтобы добавить в нее новый столбец, что не нужно.

    Проверьте этот пост для реального сценария использования.

Подводя итог, важно понимать, что каждый бит оптимизации имеет значение. Как сказала бы Грейс Хоппер , следите за своими наносекундами !

3. Синтаксис

Давайте теперь посмотрим на синтаксис . Хэдли прокомментировал здесь :

Таблицы данных чрезвычайно быстры, но я думаю, что их краткость усложняет изучение, а код, который использует их, труднее читать после того, как вы их написали ...

Я считаю это замечание бессмысленным, потому что оно очень субъективно. Возможно, мы можем попытаться противопоставить последовательность в синтаксисе . Мы будем сравнивать синтаксис data.table и dplyr бок о бок.

Мы будем работать с фиктивными данными, показанными ниже:

DT = data.table(x=1:10, y=11:20, z=rep(1:2, each=5))
DF = as.data.frame(DT)
  1. Основные операции агрегации / обновления.

    # case (a)
    DT[, sum(y), by = z]                       ## data.table syntax
    DF %>% group_by(z) %>% summarise(sum(y)) ## dplyr syntax
    DT[, y := cumsum(y), by = z]
    ans <- DF %>% group_by(z) %>% mutate(y = cumsum(y))
    
    # case (b)
    DT[x > 2, sum(y), by = z]
    DF %>% filter(x>2) %>% group_by(z) %>% summarise(sum(y))
    DT[x > 2, y := cumsum(y), by = z]
    ans <- DF %>% group_by(z) %>% mutate(y = replace(y, which(x > 2), cumsum(y)))
    
    # case (c)
    DT[, if(any(x > 5L)) y[1L]-y[2L] else y[2L], by = z]
    DF %>% group_by(z) %>% summarise(if (any(x > 5L)) y[1L] - y[2L] else y[2L])
    DT[, if(any(x > 5L)) y[1L] - y[2L], by = z]
    DF %>% group_by(z) %>% filter(any(x > 5L)) %>% summarise(y[1L] - y[2L])
    • Синтаксис data.table компактен и довольно многословен. Вещи более или менее эквивалентны в случае (а).

    • В случае (b) мы должны были использовать filter()dplyr при суммировании . Но при обновлении нам пришлось переместить логику внутрь mutate(). Однако в data.table мы выражаем обе операции с помощью одной и той же логики - работаем со строками, где x > 2, но в первом случае, получаем sum(y), тогда как во втором случае обновляем эти строки yсвоей совокупной суммой.

      Это то, что мы имеем в виду, когда говорим, что DT[i, j, by]форма последовательна .

    • Аналогично в случае (c), когда у нас есть if-elseусловие, мы можем выразить логику «как есть» как в data.table, так и в dplyr. Однако, если мы хотим вернуть только те строки, в которых выполняется ifусловие, и пропустить иначе, мы не можем использовать summarise()напрямую (AFAICT). Мы должны filter()сначала, а затем подвести итог, потому что summarise()всегда ожидает единственное значение .

      Хотя он возвращает тот же результат, использование filter()здесь делает фактическую операцию менее очевидной.

      Вполне возможно, что можно использовать и filter()в первом случае (мне это не кажется очевидным), но я хочу сказать, что мы не должны этого делать.

  2. Агрегирование / обновление по нескольким столбцам

    # case (a)
    DT[, lapply(.SD, sum), by = z]                     ## data.table syntax
    DF %>% group_by(z) %>% summarise_each(funs(sum)) ## dplyr syntax
    DT[, (cols) := lapply(.SD, sum), by = z]
    ans <- DF %>% group_by(z) %>% mutate_each(funs(sum))
    
    # case (b)
    DT[, c(lapply(.SD, sum), lapply(.SD, mean)), by = z]
    DF %>% group_by(z) %>% summarise_each(funs(sum, mean))
    
    # case (c)
    DT[, c(.N, lapply(.SD, sum)), by = z]     
    DF %>% group_by(z) %>% summarise_each(funs(n(), mean))
    • В случае (а) коды более или менее эквивалентны. data.table использует знакомую базовую функцию lapply(), в то время как dplyrвводит *_each()вместе с набором функцийfuns() .

    • Для data.table :=необходимо указать имена столбцов, тогда как dplyr генерирует их автоматически.

    • В случае (b) синтаксис dplyr относительно прост. Улучшение агрегации / обновления для нескольких функций находится в списке data.table.

    • В случае (с), однако, dplyr будет возвращать n()столько раз, сколько столбцов, а не только один раз. В data.table все, что нам нужно сделать, это вернуть список в j. Каждый элемент списка станет столбцом в результате. Итак, мы можем снова использовать знакомую базовую функцию c()для конкатенации .Nк a, listкоторая возвращает a list.

    Примечание: еще раз, в data.table все, что нам нужно сделать, это вернуть список в j. Каждый элемент списка станет столбцом в результате. Вы можете использовать c(), as.list(),lapply() , и list()т.д. ... базовые функции для достижения этой цели , без необходимости изучать какие - либо новые функции.

    Вам нужно будет изучить только специальные переменные - .Nи .SDпо крайней мере. Эквивалентом в dplyr являются n()и.

  3. присоединяется

    dplyr предоставляет отдельные функции для каждого типа объединения, где data.table позволяет выполнять соединения с использованием одного DT[i, j, by]и того же синтаксиса (и с указанием причины). Он также предоставляет эквивалентную merge.data.table()функцию в качестве альтернативы.

    setkey(DT1, x, y)
    
    # 1. normal join
    DT1[DT2]            ## data.table syntax
    left_join(DT2, DT1) ## dplyr syntax
    
    # 2. select columns while join    
    DT1[DT2, .(z, i.mul)]
    left_join(select(DT2, x, y, mul), select(DT1, x, y, z))
    
    # 3. aggregate while join
    DT1[DT2, .(sum(z) * i.mul), by = .EACHI]
    DF1 %>% group_by(x, y) %>% summarise(z = sum(z)) %>% 
        inner_join(DF2) %>% mutate(z = z*mul) %>% select(-mul)
    
    # 4. update while join
    DT1[DT2, z := cumsum(z) * i.mul, by = .EACHI]
    ??
    
    # 5. rolling join
    DT1[DT2, roll = -Inf]
    ??
    
    # 6. other arguments to control output
    DT1[DT2, mult = "first"]
    ??
    • Некоторые могут найти отдельную функцию для каждого объединения гораздо лучше (левый, правый, внутренний, анти, полу и т. Д.), Тогда как другим могут понравиться data.table's DT[i, j, by]илиmerge() которая похожа на базу R.

    • Однако соединения dplyr делают именно это. Ничего больше. Не меньше.

    • data.tables может выбирать столбцы при присоединении (2), и в dplyr вам нужно select()сначала выполнить оба data.frames, прежде чем присоединиться, как показано выше. В противном случае вы бы материализовали объединение ненужными столбцами, чтобы потом удалить их, а это неэффективно.

    • data.tables может объединяться при присоединении (3), а также обновляться при присоединении (4), используя by = .EACHIфункцию. Зачем использовать весь результат объединения, чтобы добавить / обновить всего несколько столбцов?

    • data.table может катить соединения (5) - крен вперед, LOCF , крен назад, NOCB , ближайший .

    • data.table также имеет mult =аргумент, который выбирает первое , последнее или все совпадения (6).

    • data.table имеет allow.cartesian = TRUEаргумент для защиты от случайных недопустимых объединений.

Еще раз, синтаксис согласуется с DT[i, j, by]дополнительными аргументами, позволяющими дополнительно контролировать вывод.

  1. do()...

    Суммирование dplyr специально разработано для функций, которые возвращают одно значение. Если ваша функция возвращает несколько / неравные значения, вам придется прибегнуть к do(). Вы должны знать заранее обо всех возвращаемых значениях ваших функций.

    DT[, list(x[1], y[1]), by = z]                 ## data.table syntax
    DF %>% group_by(z) %>% summarise(x[1], y[1]) ## dplyr syntax
    DT[, list(x[1:2], y[1]), by = z]
    DF %>% group_by(z) %>% do(data.frame(.$x[1:2], .$y[1]))
    
    DT[, quantile(x, 0.25), by = z]
    DF %>% group_by(z) %>% summarise(quantile(x, 0.25))
    DT[, quantile(x, c(0.25, 0.75)), by = z]
    DF %>% group_by(z) %>% do(data.frame(quantile(.$x, c(0.25, 0.75))))
    
    DT[, as.list(summary(x)), by = z]
    DF %>% group_by(z) %>% do(data.frame(as.list(summary(.$x))))
    • .SDэквивалент .

    • В data.table вы можете добавить что угодно j - единственное, что нужно помнить, это вернуть список, чтобы каждый элемент списка был преобразован в столбец.

    • В dplyr не может этого сделать. Приходится прибегать к do()зависимости от того, насколько вы уверены в том, будет ли ваша функция всегда возвращать одно значение. И это довольно медленно.

Еще раз, синтаксис data.table соответствует DT[i, j, by]. Мы можем просто продолжать добавлять выражения, jне беспокоясь об этом.

Посмотрите на этот ТАК вопрос и этот . Интересно, можно ли выразить ответ как простой, используя синтаксис dplyr ...

Подводя итог, я особо выделил несколько случаев, когда синтаксис dplyr либо неэффективен, ограничен или не позволяет выполнять операции напрямую. Это связано, в частности, с тем, что data.table получает некоторую негативную реакцию по поводу синтаксиса «сложнее читать / изучать» (как тот, который вставлен / связан выше). В большинстве сообщений, посвященных dplyr, говорится о самых простых операциях. И это здорово. Но важно понимать и его синтаксис, и функциональные ограничения, и мне еще предстоит увидеть сообщение об этом.

У data.table также есть свои причуды (некоторые из которых я указал, что мы пытаемся исправить). Мы также пытаемся улучшить объединения data.table, как я уже отмечал здесь .

Но следует также учитывать количество функций, которые отсутствуют в dplyr по сравнению с таблицей данных.

4. Особенности

Я указал на большинство функций здесь, а также в этом посте. К тому же:

  • fread - быстрый файловый ридер уже давно доступен.

  • fwrite - теперь доступен параллельный быстрый файловый редактор. Смотрите этот пост для подробного объяснения реализации и № 1664 для отслеживания дальнейших событий.

  • Автоматическая индексация - еще одна удобная функция для оптимизации базового синтаксиса R, как есть, внутри.

  • Специальная группировка : dplyrавтоматически сортирует результаты, группируя переменные во время summarise(), что может быть не всегда желательно.

  • Многочисленные преимущества в соединениях data.table (для скорости / эффективности памяти и синтаксиса), упомянутые выше.

  • Неэквивалентные объединения : Позволяет объединениям использовать другие операторы <=, <, >, >=наряду со всеми другими преимуществами соединений data.table.

  • Перекрывающиеся объединения диапазонов были недавно реализованы в data.table. Проверьте этот пост для обзора с тестами.

  • setorder() функция в data.table, которая позволяет действительно быстро переупорядочивать data.tables по ссылке.

  • dplyr предоставляет интерфейс для баз данных, используя тот же синтаксис, который в настоящее время отсутствует в data.table.

  • data.tableобеспечивает более эквиваленты множественных операций (написанный Ян Горецкий) - fsetdiff, fintersect, funionи fsetequalс дополнительным allаргументом (как в SQL).

  • data.table загружается чисто без предупреждений о маскировании и имеет механизм, описанный здесь для[.data.frame совместимости при передаче в любой пакет R. dplyr изменяет базовые функции filter, lagи [которые могут вызвать проблемы; например, здесь и здесь .


В заключение:

  • В отношении баз данных - нет причин, по которым data.table не может предоставить аналогичный интерфейс, но сейчас это не является приоритетом. Это может быть усилено, если пользователям очень понравится эта функция ... не уверен.

  • На параллелизме - все сложно, пока кто-то не пойдет и не сделает это. Конечно это потребует усилий (будучи потокобезопасным).

    • В настоящее время достигнут прогресс (в версии v1.9.7) в направлении распараллеливания известных трудоемких частей для использования прироста производительности OpenMP.
Арун
источник
9
@bluefeet: Я не думаю, что вы помогли остальным из нас, перенеся это обсуждение в чат. У меня сложилось впечатление, что Арун был одним из разработчиков, и это могло привести к полезной мысли.
IRTFM
2
Когда я зашел в чат по вашей ссылке, оказалось, что весь материал, следующий за комментарием, начинающимся с «Вы должны использовать фильтр» ... пропал. Я что-то упускаю из-за механизма SO-чата?
IRTFM
6
Я думаю, что везде, где вы используете присваивание по ссылке ( :=), dplyrэквивалент должен также использовать <-как в DF <- DF %>% mutate...вместо простоDF %>% mutate...
Дэвид Аренбург
4
По поводу синтаксиса. Я полагаю, что это dplyrможет быть проще для пользователей, которые привыкли к plyrсинтаксису, но data.tableможет быть проще для пользователей, которые раньше запрашивали синтаксис языков SQLи реляционную алгебру, лежащую в основе этого, что все о преобразовании табличных данных. @ Arun, вы должны заметить, что операторы множеств очень легко выполнимы с помощью data.tableфункции обтекания и, конечно, значительно ускоряют работу.
Джангорецки
9
Я читал этот пост очень много раз, и он мне очень помог в понимании data.table и возможности лучше его использовать. Я, в большинстве случаев, предпочитаю data.table, а не dplyr или pandas или PL / pgSQL. Однако я не мог перестать думать о том, как это выразить. Синтаксис не прост, понятен или многословен. На самом деле, даже после того, как я много использовал data.table, мне все еще трудно понять свой собственный код, который я написал буквально неделю назад. Это жизненный пример языка только для записи. en.wikipedia.org/wiki/Write-only_language Итак, будем надеяться, однажды мы сможем использовать dplyr для data.table.
Ufos
385

Вот моя попытка получить исчерпывающий ответ с точки зрения dplyr, следуя широкому плану ответа Аруна (но несколько перестроенному на основе различных приоритетов).

Синтаксис

В синтаксисе есть некоторая субъективность, но я придерживаюсь своего утверждения о том, что сжатость data.table усложняет изучение и чтение. Это отчасти потому, что dplyr решает гораздо более легкую проблему!

Одна действительно важная вещь, которую dplyr делает для вас, это то, что ограничивает ваши возможности. Я утверждаю, что большинство проблем с одной таблицей можно решить с помощью всего пяти ключевых глаголов, которые фильтруют, выбирают, изменяют, упорядочивают и суммируют, а также наречие «по группам». Это ограничение очень помогает, когда вы изучаете манипулирование данными, потому что оно помогает упорядочить ваше представление о проблеме. В dplyr каждый из этих глаголов отображается на одну функцию. Каждая функция выполняет одну работу, и ее легко понять в отдельности.

Вы создаете сложность, связывая эти простые операции с %>%. Вот пример одного из постов Arun , связанных с :

diamonds %>%
  filter(cut != "Fair") %>%
  group_by(cut) %>%
  summarize(
    AvgPrice = mean(price),
    MedianPrice = as.numeric(median(price)),
    Count = n()
  ) %>%
  arrange(desc(Count))

Даже если вы никогда раньше не видели dplyr (или даже R!), Вы все равно можете понять суть происходящего, потому что все функции - это английские глаголы. Недостаток английских глаголов заключается в том, что они требуют большего набора текста, чем [ , но я думаю, что это может быть в значительной степени смягчено лучшим автозаполнением.

Вот эквивалентный код data.table:

diamondsDT <- data.table(diamonds)
diamondsDT[
  cut != "Fair", 
  .(AvgPrice = mean(price),
    MedianPrice = as.numeric(median(price)),
    Count = .N
  ), 
  by = cut
][ 
  order(-Count) 
]

Сложнее следовать этому коду, если вы уже не знакомы с data.table. (Я также не мог понять, как сделать отступ для повторения [ так, чтобы это выглядело хорошо на мой взгляд). Лично, когда я смотрю на код, который написал 6 месяцев назад, это все равно, что смотреть на код, написанный незнакомцем, поэтому я предпочел простой, хотя и многословный, код.

Два других незначительных фактора, которые, я думаю, немного снижают читабельность:

  • Поскольку почти каждая операция с таблицей данных использует [дополнительный контекст, чтобы выяснить, что происходит. Например, x[y] объединяет ли две таблицы данных или извлекает столбцы из фрейма данных? Это только небольшая проблема, потому что в хорошо написанном коде имена переменных должны подсказывать, что происходит.

  • Мне нравится, что group_by()это отдельная операция в dplyr. Это в корне меняет вычисления, поэтому я думаю, что это должно быть очевидно при просмотре кода, и его легче обнаружить, group_by()чем byаргумент [.data.table.

Мне также нравится, что труба не ограничивается только одной упаковкой. Вы можете начать, приводя в порядок свои данные с помощью tidyr , и заканчивая графиком в ggvis . И вы не ограничены пакетами, которые я пишу - любой может написать функцию, которая образует бесшовную часть канала манипулирования данными. На самом деле, я предпочитаю предыдущий код data.table, переписанный с помощью %>%:

diamonds %>% 
  data.table() %>% 
  .[cut != "Fair", 
    .(AvgPrice = mean(price),
      MedianPrice = as.numeric(median(price)),
      Count = .N
    ), 
    by = cut
  ] %>% 
  .[order(-Count)]

И идея обвязки %>%не ограничивается только фреймами данных и легко обобщается для других контекстов: интерактивной веб-графики , просмотра веб-страниц , сущностей , контрактов во время выполнения , ...)

Память и производительность

Я смешал их вместе, потому что для меня они не так важны. Большинство пользователей R работают с менее чем 1 миллионом строк данных, и dplyr достаточно быстр для того объема данных, который вы не знаете о времени обработки. Мы оптимизируем dplyr для выразительности на средних данных; не стесняйтесь использовать data.table для быстрой обработки больших данных.

Гибкость dplyr также означает, что вы можете легко настроить характеристики производительности, используя тот же синтаксис. Если производительность dplyr с бэкэндом фрейма данных недостаточна для вас, вы можете использовать бэкэнд data.table (хотя и с несколько ограниченным набором функций). Если данные, с которыми вы работаете, не помещаются в память, вы можете использовать базу данных базы данных.

Все это говорит о том, что производительность dplyr улучшится в долгосрочной перспективе. Мы определенно воплотим в жизнь некоторые из замечательных идей data.table, такие как упорядочение по осям и использование того же индекса для объединений и фильтров. Мы также работаем над распараллеливанием, чтобы мы могли использовать преимущества нескольких ядер.

особенности

Несколько вещей, над которыми мы планируем работать в 2015 году:

  • readrпакет, чтобы сделать его легко получить файлы с диска , так и в памяти, аналогично fread().

  • Более гибкие объединения, в том числе поддержка неэквивалентных.

  • Более гибкая группировка, например, образцы начальной загрузки, накопительные пакеты и многое другое

Я также вкладываю время в улучшение коннекторов базы данных R , в возможность общения с веб-интерфейсом API и упрощение работы с HTML-страницами .

Hadley
источник
27
Еще одно замечание: я согласен со многими вашими аргументами (хотя сам предпочитаю data.tableсинтаксис), но вы можете легко использовать их %>%для конвейерной обработки, data.tableесли вам не нравится [стиль. %>%не является специфическим для dplyr, скорее идет из отдельного пакета (который вы тоже являетесь соавтором), поэтому я не уверен, что понимаю, что вы пытаетесь сказать в большей части вашего параграфа « Синтаксис» .
Дэвид Аренбург
11
@ Давид Аренбург хороший момент. Я переписал синтаксис, чтобы, надеюсь, было более понятно, каковы мои основные моменты, и чтобы подчеркнуть, что вы можете использовать %>%с data.table
hadley
5
Спасибо Хэдли, это полезная перспектива. Повторный отступ, который я обычно делаю DT[\n\texpression\n][\texpression\n]( суть ), на самом деле работает довольно хорошо. Я держу ответ Аруна как ответ, так как он более прямо отвечает на мои конкретные вопросы, которые не столько касаются доступности синтаксиса, но я думаю, что это хороший ответ для людей, пытающихся получить общее представление о различиях / общностях между dplyrи data.table,
BrodieG
33
Зачем работать над fastread, когда уже есть fread()? Не лучше ли тратить время на улучшение fread () или на другие (недостаточно развитые) вещи?
EDi
10
API data.tableоснован на массовом злоупотреблении []нотацией. Это его самая большая сила и самая большая слабость.
Пол
65

В прямом ответе на заголовок вопроса ...

dplyr определенно делает то, что data.tableне может.

Ваша точка № 3

dplyr рефераты (или будут) потенциальные взаимодействия с БД

является прямым ответом на ваш собственный вопрос, но не повышен до достаточно высокого уровня. dplyrдействительно расширяемый интерфейс для нескольких механизмов хранения данных, где, какdata.table является расширением для одного.

Рассматривайте dplyrкак внутренний независимый интерфейс со всеми целями, использующими один и тот же грамматик, где вы можете расширять цели и обработчики по своему желанию. data.tableс dplyrточки зрения, одна из тех целей.

Вы никогда (я надеюсь) не увидите день, когда вы data.tableпопытаетесь перевести ваши запросы для создания операторов SQL, которые работают с хранилищами данных на диске или в сети.

dplyr может возможно делать вещи data.table не хочет или не может делать так же хорошо.

Основываясь на дизайне работы в памяти, data.tableможет быть гораздо сложнее заняться параллельной обработкой запросов, чем dplyr.


В ответ на вопросы в теле ...

Применение

Существуют ли аналитические задачи, которые намного проще кодировать с тем или иным пакетом для людей, знакомых с этими пакетами (т. Е. Требуется некоторая комбинация нажатий клавиш в сравнении с требуемым уровнем эзотерики, где меньше каждого из них - хорошая вещь).

Это может показаться пунтом, но реальный ответ - нет. Люди знакомые с инструментами, похоже, используют либо тот, который им наиболее знаком, либо тот, который на самом деле подходит для данной работы. С учетом вышесказанного, иногда вы хотите представить определенную читаемость, иногда уровень производительности, а когда вам нужен достаточно высокий уровень обоих, вам может просто понадобиться другой инструмент, чтобы идти вместе с тем, что у вас уже есть, чтобы сделать более четкие абстракции ,

Представление

Существуют ли аналитические задачи, которые выполняются существенно (т.е. более чем в 2 раза) более эффективно в одном пакете по сравнению с другим.

Опять нет. data.tableпревосходит эффективность во всем, что делает, где dplyrв некоторых отношениях становится бременем быть ограниченным базовым хранилищем данных и зарегистрированными обработчиками.

Это означает, что когда вы сталкиваетесь с проблемой производительности, data.tableвы можете быть уверены, что она есть в вашей функции запроса, и если это на самом деле узкое место, data.tableтогда вы выиграли радость подачи отчета. Это также верно, когда dplyrиспользуется data.tableкак бэкэнд; Вы можете увидеть некоторые накладные расходы, dplyrно есть вероятность, что это ваш запрос.

Когда dplyrесть проблемы с производительностью с back-endами, вы можете обойти их, зарегистрировав функцию для гибридной оценки или (в случае баз данных) манипулируя сгенерированным запросом перед выполнением.

Также смотрите принятый ответ, когда plyr лучше data.table?

Thell
источник
3
Не можете dplyr обернуть таблицу данных с tbl_dt? Почему бы просто не получить лучшее из обоих миров?
aaa90210
22
Вы забыли упомянуть обратное утверждение «data.table определенно делает то, что dplyr не может», что также верно.
jangorecki
25
Ответ Аруна это хорошо объясняет. Наиболее важными (с точки зрения производительности) были бы fread, обновление по ссылке, переходящие объединения, перекрывающиеся объединения. Я считаю, что нет никакого пакета (не только dplyr), который может конкурировать с этими функциями. Хорошим примером может служить последний слайд из этой презентации.
Джангорецки
15
В целом, data.table - вот почему я все еще использую R. В противном случае я бы использовал панд. Это даже лучше / быстрее, чем панды.
Марбель
8
Мне нравится data.table из-за его простоты и сходства со структурой синтаксиса SQL. Моя работа заключается в том, чтобы ежедневно проводить очень интенсивный анализ данных и графики для статистического моделирования, и мне действительно нужен инструмент, достаточно простой, чтобы делать сложные вещи. Теперь я могу уменьшить свой инструментарий до только data.table для данных и решетки для графиков в моей повседневной работе. Приведите пример, по которому я могу даже выполнять такие операции: $ DT [group == 1, y_hat: = Foregnet (fit1, data = .SD),] $, что очень удобно, и я считаю это большим преимуществом SQL в классическая R среда.
xappppp