优化大型数据框架上的ifelse

Question

我有一个数据框df ，如下所示：

A B C 
1 2 3
2 5 6
3 8 9

下面的代码行添加了一个新列并相应地填充数据。

df$Mean.Result1 <- ifelse(df[, "A"] > 0.05 & df[, "B"] > 0.05, "Equal", "")

我使用的R 2与Splunk的 ，和R Splunk的是不能够认识到，上述格式。

这样做是对的：

df.$Mean.Result1 <- ifelse(df.$A > 0.05 & df$B > 0.05, "Equal", "")

这两段代码有何不同？ 它会影响计算速度吗？ 我的实际数据集有大约5亿行和400列。

Answer 1

目前已经有了一些讨论有关如何ifelse不是代码的最佳选项，其中速度是一个重要因素。 您可以尝试：

df$Mean.Result1 <- c("", "Equal")[(df$A > 0.05 & df$B > 0.05)+1]

要看看这里发生了什么，让我们分解命令。 df$A > 0.05 & df$B > 0.05如果A和B超过0.05则返回TRUE否则返回FALSE 。 因此， (df$A > 0.05 & df$B > 0.05)+1如果A和B超过0.05则(df$A > 0.05 & df$B > 0.05)+1返回2，否则返回1。 这些用作向量c("", "Equal")指示，因此当两者都超过0.05时我们得到"Equal" ，否则得到"" 。

以下是对100万行数据框的比较：

# Build dataset and functions
set.seed(144)
big.df <- data.frame(A = runif(1000000), B = runif(1000000))
OP <- function(df) {
  df$Mean.Result1 <- ifelse(df$A > 0.05 & df$B > 0.05, "Equal", "")
  df
}
josilber <- function(df) {
  df$Mean.Result1 <- c("", "Equal")[(df$A > 0.05 & df$B > 0.05)+1]
  df
}
all.equal(OP(big.df), josilber(big.df))
# [1] TRUE

# Benchmark
library(microbenchmark)
microbenchmark(OP(big.df), josilber(big.df))
# Unit: milliseconds
#              expr      min        lq      mean    median        uq      max neval
#        OP(big.df) 299.6265 311.56167 352.26841 318.51825 348.09461 540.0971   100
#  josilber(big.df)  40.4256  48.66967  60.72864  53.18471  59.72079 267.3886   100

使用向量索引的方法在中值运行时间中快约6倍。