r - 在 R 中对数据帧的行进行子集化的更快方法？

Question

我一直交替使用这两种方法来从 R 中的数据帧中提取数据子集。
方法一
subset_df <- df[which(df$age>5) , ]
方法二
subset_df <- subset(df, age>5)

我有 2 个属于这些的问题。
1. 考虑到我的数据量很大，哪一个更快？
2.这篇文章在这里Subsetting data frames in R表明上述两种方法实际上存在差异。其中之一可以准确地处理 NA。那么哪一个可以安全使用呢？

Answer 1

该问题要求一种更快的方法来对数据帧的行进行子集化。最快的方法是使用 data.table。

set.seed(1)  # for reproducible example
# 1 million rows - big enough?
df <- data.frame(age=sample(1:65,1e6,replace=TRUE),x=rnorm(1e6),y=rpois(1e6,25))

library(microbenchmark)
microbenchmark(result<-df[which(df$age>5),],
               result<-subset(df, age>5), 
               result<-df[df$age>5,],
               times=10)
# Unit: milliseconds
#                               expr       min        lq    median       uq      max neval
#  result <- df[which(df$age > 5), ]  77.01055  80.62678  81.43786 133.7753 145.4756    10
#      result <- subset(df, age > 5) 190.89829 193.04221 197.49973 203.7571 263.7738    10
#         result <- df[df$age > 5, ] 169.85649 171.02084 176.47480 185.9394 191.2803    10

library(data.table)
DT <- as.data.table(df)     # data.table
microbenchmark(DT[age > 5],times=10)
# Unit: milliseconds
#         expr      min       lq  median       uq      max neval
#  DT[age > 5] 29.49726 29.93907 30.1813 30.67168 32.81204    10

因此，在这个简单的情况下，data.table 的速度比 which(...) 快两倍多，比 subset(...) 快 6 倍多.