r - 如何翻译data.table代码崩溃

Question

我最近阅读了 collapse 包，并尝试将以下 data.table 代码转换为 collapse 以查看它在现实世界示例中是否更快。

这是我的 data.table 代码:

library(data.table)
library(nycflights13)

data("flights")
flights_DT <- as.data.table(flights)

val_var <- "arr_delay"
id_var <- "carrier"
by <- c("month", "day")

flights_DT[
  j = list(agg_val_var = sum(abs(get(val_var)), na.rm = TRUE)), 
  keyby = c(id_var, by)
][
  i = order(-agg_val_var), 
  j = list(value_share = cumsum(agg_val_var)/sum(agg_val_var)), 
  keyby = by
][
  j = .SD[2L],
  keyby = by
][
  order(-value_share)
]
#>      month day value_share
#>   1:    10   3   0.5263012
#>   2:     1  24   0.5045664
#>   3:     1  20   0.4885145
#>   4:    10  17   0.4870692
#>   5:     3   6   0.4867606
#>  ---                      
#> 361:     5   4   0.3220295
#> 362:     6  15   0.3205974
#> 363:     1  28   0.3197260
#> 364:    11  25   0.3161550
#> 365:     6  14   0.3128286

^{由 reprex package (v1.0.0) 创建于 2021-03-11}

我设法翻译了第一个 data.table 调用，但后来遇到了困难。

很高兴看到如何使用 collapse 来处理这个用例。

Answer 1

因此，关于这一点，我首先要指出的是 collapse 不是而且可能永远不会是像 dplyr 这样的成熟的拆分应用组合计算工具> 或 data.table。它的重点不是按组优化执行任意代码表达式，而是通过它提供的广泛的基于 C++ 的统计和数据转换函数来提供高级和高效的分组、加权、时间序列和面板数据计算。我引用了关于 collapse 和 data.table 的 vignette 以进一步阐明这些要点以及集成示例。

因此，我认为将 data.table 代码转换为 collapse 才有意义，如果 (1) 您在 中想出了一个神秘的表达式data.table 做一些它不擅长的复杂统计(例如加权聚合，计算分位数或按组计算模式，滞后/差分不规则面板，分组居中或线性/多项式拟合)(2)您实际上不需要 data.table 对象，但更愿意使用向量/矩阵/data.frame/tibbles (3) 您想要编写统计程序并且更喜欢标准评估编程通过 NS eval 和 data.table 语法或 (4) collapse 对于您的特定应用程序确实要快得多。

现在查看您提供的具体代码。它混合了标准和非标准评估(例如通过使用 get())，这是 collapse 不太擅长的事情。我将为您提供 3 种解决方案，从完整的 NS eval 到完整的标准 eval base R 风格编程。

library(data.table)
library(nycflights13)
library(magrittr)
library(collapse)

data("flights")
flights_DT <- as.data.table(flights)

# Defining a function for the second aggregation
myFUN <- function(x) (cumsum(x[1:2])/sum(x))[2L]

# Soluting 1: Non-Standard evaluation
flights_DT %>%
  fgroup_by(carrier, month, day) %>% 
  fsummarise(agg_val_var = fsum(abs(arr_delay))) %>% 
  roworder(month, day, -agg_val_var, na.last = NA) %>%
  fgroup_by(month, day) %>%
  fsummarise(value_share = myFUN(agg_val_var)) %>% 
  roworder(-value_share)
#>      month day value_share
#>   1:    10   3   0.5263012
#>   2:     1  24   0.5045664
#>   3:     1  20   0.4885145
#>   4:    10  17   0.4870692
#>   5:     3   6   0.4867606
#>  ---                      
#> 361:     5   4   0.3220295
#> 362:     6  15   0.3205974
#> 363:     1  28   0.3197260
#> 364:    11  25   0.3161550
#> 365:     6  14   0.3128286

^{由 reprex package (v0.3.0) 创建于 2021-03-12}

请注意 na.last = NA 的使用，它实际上删除了缺少 agg_val_var 的情况。这是这里需要的，因为 fsum(NA) 是 NA 而不是 0 像 sum(NA, na.rm = TRUE)。现在可能接近您提供的代码的混合示例:

val_var <- "arr_delay"
id_var <- "carrier"
by <- c("month", "day")

# Solution 2: Hybrid approach with standard eval and magrittr pipes
flights_DT %>%
  get_vars(c(id_var, val_var, by)) %>%
  ftransformv(val_var, abs) %>% 
  collapv(c(id_var, by), fsum) %>%
  get_vars(c(by, val_var)) %>%
  roworderv(decreasing = c(FALSE, FALSE, TRUE), na.last = NA) %>%
  collapv(by, myFUN) %>%
  roworderv(val_var, decreasing = TRUE) %>%
  frename(replace, names(.) == val_var, "value_share")
#>      month day value_share
#>   1:    10   3   0.5263012
#>   2:     1  24   0.5045664
#>   3:     1  20   0.4885145
#>   4:    10  17   0.4870692
#>   5:     3   6   0.4867606
#>  ---                      
#> 361:     5   4   0.3220295
#> 362:     6  15   0.3205974
#> 363:     1  28   0.3197260
#> 364:    11  25   0.3161550
#> 365:     6  14   0.3128286

^{由 reprex package (v0.3.0) 创建于 2021-03-12}

请注意，我在末尾使用了 frename 来为结果列指定您想要的名称，因为您不能在 collapse 。最后，collapse 的一大优点是您可以将它用于非常底层的编程:

# Solution 3: Programming
data <- get_vars(flights_DT, c(id_var, val_var, by))
data[[val_var]] <- abs(.subset2(data, val_var))
g <- GRP(data, c(id_var, by))
data <- add_vars(get_vars(g$groups, by), 
                 fsum(get_vars(data, val_var), g, use.g.names = FALSE))
data <- roworderv(data, decreasing = c(FALSE, FALSE, TRUE), na.last = NA)
g <- GRP(data, by)
columns
data <- add_vars(g$groups, list(value_share = BY(.subset2(data, val_var), g, myFUN, use.g.names = FALSE)))
data <- roworderv(data, "value_share", decreasing = TRUE)
data
#>      month day value_share
#>   1:    10   3   0.5263012
#>   2:     1  24   0.5045664
#>   3:     1  20   0.4885145
#>   4:    10  17   0.4870692
#>   5:     3   6   0.4867606
#>  ---                      
#> 361:     5   4   0.3220295
#> 362:     6  15   0.3205974
#> 363:     1  28   0.3197260
#> 364:    11  25   0.3161550
#> 365:     6  14   0.3128286

^{由 reprex package (v0.3.0) 创建于 2021-03-12}

我建议您参阅 programming 上的博客文章，其中包含 collapse 以获取更有趣的示例，说明这如何有益于统计代码的开发。

现在为了评估，我将这些解决方案包装在函数中，其中 DT() 是您提供的 data.table 代码，在 Windows 机器上以 2 个线程运行.这检查相等性:

all_obj_equal(DT(), clp_NSE(), clp_Hybrid(), clp_Prog())
#> TRUE

现在是基准:

library(microbenchmark)
microbenchmark(DT(), clp_NSE(), clp_Hybrid(), clp_Prog())
#> Unit: milliseconds
#>          expr      min       lq     mean   median       uq       max neval cld
#>          DT() 85.81079 87.80887 91.82032 89.47025 92.54601 132.26073   100   b
#>     clp_NSE() 13.47535 14.15744 15.99264 14.80606 16.29140  28.16895   100  a 
#>  clp_Hybrid() 13.79843 14.23508 16.61606 15.00196 16.83604  32.94648   100  a 
#>    clp_Prog() 13.71320 14.17283 16.16281 14.94395 16.16935  39.24706   100  a

如果您关心这些毫秒，请随意优化，但对于 340,000 obs，所有解决方案都非常快。