Táto poznámka bude zaujímavá pre tých, ktorí používajú knižnicu na spracovanie tabuľkových údajov pre R — data.table, a možno budú radi vidieť flexibilitu jej aplikácie na rôznych príkladoch.
Inšpirovaný dobrým príkladom , a dúfajúc, že ste už prečítali jeho článok, navrhujem hlbšie preskúmať optimalizáciu kódu a výkon na základe data.table.
Úvod: odkiaľ pochádza data.table?
Najlepšie je začať zoznamovanie sa s knižnicou trošku z diaľky, a to so štruktúrami dát, z ktorých môže byť získaný objekt data.table (ďalej DТ).
Pole
Kód
## arrays ---------
arrmatr <- array(1:20, c(4,5))
class(arrmatr)
typeof(arrmatr)
is.array(arrmatr)
is.matrix(arrmatr)
Jednou z takýchto štruktúr je pole (?base::array). Ako v iných jazykoch sú polia tu viacrozmerné. Zaujímavé však je, že napríklad dvojrozmerné pole začína dediť vlastnosti od triedy matice (?base::matrix), a jednorozmerné pole, čo je tiež dôležité, nededí od vektora (?base::vector).
Pri tom treba chápať, že typ dát, ktoré obsahuje nejaký objekt, treba overiť funkciou base::typeof, ktorá vracia vnútorný popis typu podľa R Internals — spoločného protokolu jazyka, súvisiaceho s primárnym C.
Ďalšia príkaz, na určenie triedy objektu, base::class, vracia v prípade vektorov vektorový typ (líši sa názvom od vnútorného, ale tiež umožňuje pochopiť typ dát).
Zoznam
Z dvojrozmerného poľa, teda matice, môžeme prejsť k zoznamu (?base::list).
Kód
## lists ------------------
mylist <- as.list(arrmatr)
is.vector(mylist)
is.list(mylist)
Pri tom sa odohráva niekoľko vecí naraz:
- Druhé meranie matice sa zhodnocuje, to znamená, že získavame súčasne aj zoznam a vektor.
- Zoznam tak dedí od týchto tried. Treba mať na pamäti, že prvku zoznamu zodpovedá jedna (skalárna) hodnota z bunky matice-pola.
Vďaka tomu, že zoznam je tiež vektor, môžeme naň aplikovať niektoré funkcie pre vektory.
Dátový rámec
Z zoznamu, matice alebo vektora môžeme prejsť k dátovému rámcu (?base::data.frame).
Kód
## data.frames ------------
df <- as.data.frame(arrmatr)
df2 <- as.data.frame(mylist)
is.list(df)
df$V6 <- df$V1 + df$V2
Čo je na ňom zaujímavé: dátový rámec dedí od zoznamu! Stĺpce dátového rámca sú bunkami zoznamu. To bude dôležité neskôr, keď budeme používať funkcie aplikované na zoznamy.
data.table
Získať DТ (?data.table::data.table) je možné z dátového rámca, zoznamu, vektora alebo matice. Napríklad, takto (in place).
Kód
## data.tables -----------------------
library(data.table)
data.table::setDT(df)
is.list(df)
is.data.frame(df)
is.data.table(df)
Užitočné je to, že, rovnako ako dátový rámec, DТ dedí vlastnosti zoznamu.
DТ a pamäť
Na rozdiel od všetkých ostatných objektov v R základe, DT sa prenášajú odkazom. Ak potrebujete vytvoriť kópiu do novej oblasti pamäte, potrebujete funkciu data.table::copy alebo musíte spraviť výber zo starého objektu.
Kód
df2 <- df
df[V1 == 1, V2 := 999]
data.table::fsetdiff(df, df2)
df2 <- data.table::copy(df)
df[V1 == 2, V2 := 999]
data.table::fsetdiff(df, df2)
Týmto končí úvod. DT je pokračovaním vývoja údajových štruktúr v R, ktorý sa prevažne deje prostredníctvom rozšírenia a urýchlenia operácií vykonávaných nad objektmi triedy dataframe. Pri tom sa zachováva dedičstvo z iných primitív.
Niektoré príklady používania vlastností data.table
Ako zoznam...
Iterovať po riadkoch dataframe alebo DT nie je najlepšia idea, pretože kód cyklu v jazyku R je oveľa pomalší C, ale prejsť cyklom po stĺpcoch, ktorých je, zvyčajne, oveľa menej, je celkom možné. Idúc po stĺpcoch, pamätajme, že každý stĺpec je prvkom zoznamu, ktorý obsahuje, zvyčajne, vektor. A operácie nad vektormi sú dobre vektorované v základných funkciách jazyka. Môžeme tiež použiť výberové operátory, špecifické pre zoznamy a vektory: `[[`, `$`.
Kód
## operations on data.tables ------------
#using list properties
df$'V1'[1]
df[['V1']]
df[[1]][1]
sapply(df, class)
sapply(df, function(x) sum(is.na(x)))
Vektorizácia
Ak je potrebné prejsť po riadkoch veľkého DT, najlepším riešením bude napísanie funkcie s vektorizáciou. Ale ak to nie je možné, mali by ste pamätať, že cyklus vnútri DT je stále rýchlejší ako cyklus v R, pretože sa vykonáva na C.
Skúsme na väčšom príklade so 100K riadkami. Budeme vyťahovať prvé písmeno zo slov, ktoré sú súčasťou vektorového stĺpca w.
Updated
Kód
library(magrittr)
library(microbenchmark)
## Väčší príklad ----
rown <- 100000
dt %
.[, d := 1 + b + c + rnorm(nrow(.))]
# vektorizácia
microbenchmark({
dt[
, first_l := unlist(strsplit(w, split = ' ', fixed = T))[1]
, by = 1:nrow(dt)
]
})
# druhý
first_l_f %
do.call(rbind, .) %>%
`[`(,1)
}
dt[, first_l := NULL]
microbenchmark({
dt[
, first_l := .(first_l_f(w))
]
})
# tretí
first_l_f2 %
unlist %>%
matrix(nrow = 3) %>%
`[`(1,)
}
dt[, first_l := NULL]
microbenchmark({
dt[
, first_l := .(first_l_f2(w))
]
})
Prvý beh s iteráciou po riadkoch:
Jednotka: milisekundy
expr min
{ dt[, `:=`(first_l, unlist(strsplit(w, split = " ", fixed = T))[1]), by = 1:nrow(dt)] } 439.6217
lq mean median uq max neval
451.9998 460.1593 456.2505 460.9147 621.4042 100
Druhý beh, kde sa vektorizácia realizuje cez konverziu zoznamu na maticu a získavanie prvkov na reze s indexom 1 (posledné je vlastne samotná vektorizácia). Oprava: vektorizácia na úrovni funkcie strsplit, ktorý dokáže prijímať vektor ako vstup. Ukazuje sa, že procedúra premeny zoznamu na maticu je oveľa náročnejšia ako samotná vektorizácia, ale aj v tomto prípade je to oveľa rýchlejšie ako nevykonaná verzia.
Jednotka: milisekundy
expr min lq mean median uq max neval
{ dt[, `:=`(first_l, .(first_l_f(w)))] } 93.07916 112.1381 161.9267 149.6863 185.9893 442.5199 100
Urýchlenie podľa mediánu v 3-krát.
Tretí beh, kde sa zmenila schéma premeny na maticu.
Jednotka: milisekundy
expr min lq mean median uq max neval
{ dt[, `:=`(first_l, .(first_l_f2(w)))] } 32.60481 34.13679 40.4544 35.57115 42.11975 222.972 100
Urýchlenie podľa mediánu v 13-krát.
S týmto projektom je potrebné experimentovať, čím viac — tým lepšie to bude.
Ešte jeden príklad s vektorizáciou, kde je tiež text, ale je prispôsobený reálnym podmienkam: rôzna dĺžka slov, rôzny počet slov. Je potrebné získať prvé 3 slová. Takto:
Tu už predchádzajúca funkcia nefunguje, pretože vektory majú rôznu dĺžku, a my sme nastavovali veľkosť matice. Prepracujeme to, prehľadáme internet.
Kód
# fourth
rown <- 100000
words <-
sapply(
seq_len(rown)
, function(x){
nwords <- rbinom(1, 10, 0.5)
paste(
sapply(
seq_len(nwords)
, function(x){
paste(sample(letters, rbinom(1, 10, 0.5), replace = T), collapse = '')
}
)
, collapse = ' '
)
}
)
dt <-
data.table(
w = words
, a = sample(letters, rown, replace = T)
, b = runif(rown, -3, 3)
, c = runif(rown, -3, 3)
, e = rnorm(rown)
) %>%
.[, d := 1 + b + c + rnorm(nrow(.))]
first_l_f3 <- function(sd, n)
{
l <- strsplit(sd, split = ' ', fixed = T)
maxl <- max(lengths(l))
sapply(l, "length<-", maxl) %>%
`[`(n,) %>%
as.character
}
microbenchmark({
dt[
, (paste0('w_', 1:3)) := lapply(1:3, function(x) first_l_f3(w, x))
]
})
dt[
, (paste0('w_', 1:3)) := lapply(1:3, function(x) first_l_f3(w, x))
]
Jednotka: milisekundy
expr min lq mean median
{ dt[, `:=`((paste0("w_", 1:3)), strsplit(w, split = " ", fixed = T))] } 851.7623 916.071 1054.5 1035.199
uq max neval
1178.738 1356.816 100
Skript pracoval priemerne rýchlosťou 1 sekunda. Nie zlé.
Súvisiace jednou reťazou…
S objektmi DT je možné pracovať pomocou chainingu. Vyzerá to ako pripojenie syntaxe zátvoriek sprava, v podstate ide o syntaktický cukor.
Kód
# chaining
res1 <- dt[a == 'a'][sample(.N, 100)]
res2 <- dt[, .N, a][, N]
res3 <- dt[, coefficients(lm(e ~ d))[1], a][, .(letter = a, coef = V1)]
Tečie potrubím…
Podobné operácie je možné vykonávať cez piping, vyzerá to podobne, ale funkčne je to bohatšie, pretože je možné používať akékoľvek metódy, a nie len DT. Uveďme koeficienty logistickej regresie pre naše syntetické dáta s radom filtrov na DT.
Kód
# piping
samplpe_b <- dt[a %in% head(letters), sample(b, 1)]
res4 <-
dt %>%
.[a %in% head(letters)] %>%
.[,
{
dt0 <- .SD[1:100]
quants <-
dt0[, c] %>%
quantile(seq(0.1, 1, 0.1), na.rm = T)
.(q = quants)
}
, .(cond = b > samplpe_b)
] %>%
glm(
cond ~ q -1
, family = binomial(link = "logit")
, data = .
) %>%
summary %>%
.[[12]]
Štatistika, strojové učenie a iné vnútri DT
Môžete použiť lambda-funkcie, ale niekedy je lepšie vytvoriť ich samostatne, zapísať celý pipeline analýzy dát, a dopredu — fungujú vnútri DT. Príklad je obohatený všetkými vyššie uvedenými funkciami, plus niekoľko užitočných vecí z arzenálu DT (ako prístup k samotnému DT zo samotného DT odkazom, niekedy vložených nepravidelne, ale aby to bolo).
Kód
# function
rm(lm_preds)
lm_preds <- function(
sd, by, n
)
{
if(
n < 100 |
!by[['a']] %in% head(letters, 4)
)
{
res <-
list(
low = NA
, mean = NA
, high = NA
, coefs = NA
)
} else {
lmm <-
lm(
d ~ c + b
, data = sd
)
preds <-
stats::predict.lm(
lmm
, sd
, interval = "prediction"
)
res <-
list(
low = preds[, 2]
, mean = preds[, 1]
, high = preds[, 3]
, coefs = coefficients(lmm)
)
}
res
}
res5 <-
dt %>%
.[e < 0] %>%
.[.[, .I[b > 0]]] %>%
.[, `:=` (
low = as.numeric(lm_preds(.SD, .BY, .N)[[1]])
, mean = as.numeric(lm_preds(.SD, .BY, .N)[[2]])
, high = as.numeric(lm_preds(.SD, .BY, .N)[[3]])
, coef_c = as.numeric(lm_preds(.SD, .BY, .N)[[4]][1])
, coef_b = as.numeric(lm_preds(.SD, .BY, .N)[[4]][2])
, coef_int = as.numeric(lm_preds(.SD, .BY, .N)[[4]][3])
)
, a
] %>%
.[!is.na(mean), -'e', with = F]
# plot
plo <-
res5 %>%
ggplot +
facet_wrap(~ a) +
geom_ribbon(
aes(
x = c * coef_c + b * coef_b + coef_int
, ymin = low
, ymax = high
, fill = a
)
, size = 0.1
, alpha = 0.1
) +
geom_point(
aes(
x = c * coef_c + b * coef_b + coef_int
, y = mean
, color = a
)
, size = 1
) +
geom_point(
aes(
x = c * coef_c + b * coef_b + coef_int
, y = d
)
, size = 1
, color = 'black'
) +
theme_minimal()
print(plo)
Záver
Dúfam, že sa mi podarilo vytvoriť ucelený, hoci určite nie úplný, obraz takého objektu ako data.table, počnúc jeho vlastnosťami súvisiacimi s dedičstvom z tried R a končiac jeho vlastnými vychytávkami a okolitými prvkami tidyverse. Dúfam, že to pomôže lepšie študovať a aplikovať túto knižnicu na prácu a zábavu.
Ďakujeme!
Úplný kód
Kód
## load libs ----------------
library(data.table)
library(ggplot2)
library(magrittr)
library(microbenchmark)
## arrays ---------
arrmatr <- array(1:20, c(4,5))
class(arrmatr)
typeof(arrmatr)
is.array(arrmatr)
is.matrix(arrmatr)
## lists ------------------
mylist <- as.list(arrmatr)
is.vector(mylist)
is.list(mylist)
## data.frames ------------
df <- as.data.frame(arrmatr)
is.list(df)
df$V6 <- df$V1 + df$V2
## data.tables -----------------------
data.table::setDT(df)
is.list(df)
is.data.frame(df)
is.data.table(df)
df2 <- df
df[V1 == 1, V2 := 999]
data.table::fsetdiff(df, df2)
df2 <- data.table::copy(df)
df[V1 == 2, V2 := 999]
data.table::fsetdiff(df, df2)
## operations on data.tables ------------
#using list properties
df$'V1'[1]
df[['V1']]
df[[1]][1]
sapply(df, class)
sapply(df, function(x) sum(is.na(x)))
## Bigger example ----
rown <- 100000
dt <-
data.table(
w = sapply(seq_len(rown), function(x) paste(sample(letters, 3, replace = T), collapse = ' '))
, a = sample(letters, rown, replace = T)
, b = runif(rown, -3, 3)
, c = runif(rown, -3, 3)
, e = rnorm(rown)
) %>%
.[, d := 1 + b + c + rnorm(nrow(.))]
# vectorization
# zero - for loop
microbenchmark({
for(i in 1:nrow(dt))
{
dt[
i
, first_l := unlist(strsplit(w, split = ' ', fixed = T))[1]
]
}
})
# first
microbenchmark({
dt[
, first_l := unlist(strsplit(w, split = ' ', fixed = T))[1]
, by = 1:nrow(dt)
]
})
# second
first_l_f <- function(sd)
{
strsplit(sd, split = ' ', fixed = T) %>%
do.call(rbind, .) %>%
`[`(,1)
}
dt[, first_l := NULL]
microbenchmark({
dt[
, first_l := .(first_l_f(w))
]
})
# third
first_l_f2 <- function(sd)
{
strsplit(sd, split = ' ', fixed = T) %>%
unlist %>%
matrix(nrow = 3) %>%
`[`(1,)
}
dt[, first_l := NULL]
microbenchmark({
dt[
, first_l := .(first_l_f2(w))
]
})
# fourth
rown <- 100000
words <-
sapply(
seq_len(rown)
, function(x){
nwords <- rbinom(1, 10, 0.5)
paste(
sapply(
seq_len(nwords)
, function(x){
paste(sample(letters, rbinom(1, 10, 0.5), replace = T), collapse = '')
}
)
, collapse = ' '
)
}
)
dt <-
data.table(
w = words
, a = sample(letters, rown, replace = T)
, b = runif(rown, -3, 3)
, c = runif(rown, -3, 3)
, e = rnorm(rown)
) %>%
.[, d := 1 + b + c + rnorm(nrow(.))]
first_l_f3 <- function(sd, n)
{
l <- strsplit(sd, split = ' ', fixed = T)
maxl <- max(lengths(l))
sapply(l, "length<-", maxl) %>%
`[`(n,) %>%
as.character
}
microbenchmark({
dt[
, (paste0('w_', 1:3)) := lapply(1:3, function(x) first_l_f3(w, x))
]
})
dt[
, (paste0('w_', 1:3)) := lapply(1:3, function(x) first_l_f3(w, x))
]
# chaining
res1 <- dt[a == 'a'][sample(.N, 100)]
res2 <- dt[, .N, a][, N]
res3 <- dt[, coefficients(lm(e ~ d))[1], a][, .(letter = a, coef = V1)]
# piping
samplpe_b <- dt[a %in% head(letters), sample(b, 1)]
res4 <-
dt %>%
.[a %in% head(letters)] %>%
.[,
{
dt0 <- .SD[1:100]
quants <-
dt0[, c] %>%
quantile(seq(0.1, 1, 0.1), na.rm = T)
.(q = quants)
}
, .(cond = b > samplpe_b)
] %>%
glm(
cond ~ q -1
, family = binomial(link = "logit")
, data = .
) %>%
summary %>%
.[[12]]
# function
rm(lm_preds)
lm_preds <- function(
sd, by, n
)
{
if(
n < 100 |
!by[['a']] %in% head(letters, 4)
)
{
res <-
list(
low = NA
, mean = NA
, high = NA
, coefs = NA
)
} else {
lmm <-
lm(
d ~ c + b
, data = sd
)
preds <-
stats::predict.lm(
lmm
, sd
, interval = "prediction"
)
res <-
list(
low = preds[, 2]
, mean = preds[, 1]
, high = preds[, 3]
, coefs = coefficients(lmm)
)
}
res
}
res5 <-
dt %>%
.[e < 0] %>%
.[.[, .I[b > 0]]] %>%
.[, `:=` (
low = as.numeric(lm_preds(.SD, .BY, .N)[[1]])
, mean = as.numeric(lm_preds(.SD, .BY, .N)[[2]])
, high = as.numeric(lm_preds(.SD, .BY, .N)[[3]])
, coef_c = as.numeric(lm_preds(.SD, .BY, .N)[[4]][1])
, coef_b = as.numeric(lm_preds(.SD, .BY, .N)[[4]][2])
, coef_int = as.numeric(lm_preds(.SD, .BY, .N)[[4]][3])
)
, a
] %>%
.[!is.na(mean), -'e', with = F]
# plot
plo <-
res5 %>%
ggplot +
facet_wrap(~ a) +
geom_ribbon(
aes(
x = c * coef_c + b * coef_b + coef_int
, ymin = low
, ymax = high
, fill = a
)
, size = 0.1
, alpha = 0.1
) +
geom_point(
aes(
x = c * coef_c + b * coef_b + coef_int
, y = mean
, color = a
)
, size = 1
) +
geom_point(
aes(
x = c * coef_c + b * coef_b + coef_int
, y = d
)
, size = 1
, color = 'black'
) +
theme_minimal()
print(plo)
Zdroj: habr.com
