使用mutate创建新变量时，Dplyr代码比预期慢

Question

我正在使用dplyr在我的数据框架上创建三个新变量。 数据框是84,253 obs。 164个变量。 以下是我的代码。

# ptm <- proc.time()
 D04_Base2 <- D04_Base %>% 
    mutate(
        birthyr = year(as.Date(BIRTHDT,"%m/%d/%Y")),
        age = (snapshotDt - as.Date(BIRTHDT,"%m/%d/%Y")) / 365.25,
        age = ifelse(age > 100, NA, age)
        )
# proc.time() - ptm
user  system elapsed 
12.34    0.03   12.42 

但是，我想知道我的代码是否存在明显的问题，因为它花费的时间比我预期的要长得多，或者这是其他的东西。 如上所示，代码完成大约需要12秒。

Answer 1

是的，您的代码中存在一些效率低下的问题：

1. 您将BIRTHDT列转换为Date两次。 （这是迄今为止最大的问题。）
2. base::as.Date不是超级快
3. 您可以使用dplyr::if_else而不是base::ifelse来获得一点性能提升。

我们来做一些测试：

library(microbenchmark)
library(dplyr)
library(lubridate)

mbm = microbenchmark::microbenchmark

# generate big-ish sample data
n = 1e5
dates = seq.Date(from = Sys.Date(), length.out = n, by = "day")
raw_dates = format(dates, "%m/%d/%Y")
df = data.frame(x = 1:n)

日期转换

mbm(
    mdy = mdy(raw_dates),
    base = as.Date(raw_dates, format = "%m/%d/%Y")
)
# Unit: milliseconds
#  expr      min       lq     mean   median       uq      max neval cld
#   mdy 21.39190 27.97036 37.35768 29.50610 31.44242 197.2258   100  a 
#  base 86.75255 92.30122 99.34004 96.78687 99.90462 262.6260   100   b

在这个特定的日期转换中，看起来像lubridate::mdy比as.Date快2-3倍。

提取年份

mbm(
    year = year(dates),
    format = format(dates, "%Y")
)
# Unit: milliseconds
#    expr      min       lq     mean   median       uq      max neval cld
#    year 29.10152 31.71873 44.84572 33.48525 40.17116 478.8377   100  a 
#  format 77.16788 81.14211 96.42225 83.54550 88.11994 242.7808   100   b

同样， lubridate::year （你似乎已经使用过）比base::format提取年份快2倍。

添加列：

mbm(
    base_dollar = {dd = df; dd$y = 1},
    base_bracket = {dd = df; dd[["y"]] = 1},
    mutate = {dd = mutate(df, y = 1)},
    mutate_pipe = {dd = df %>% mutate(y = 1)},
    times = 100L
)
# Unit: microseconds
#          expr     min       lq     mean   median       uq      max neval cld
#   base_dollar 114.834 129.1715 372.8024 146.2275 408.4255 3315.964   100 a  
#  base_bracket 118.585 139.6550 332.1661 156.3530 255.2860 3126.967   100 a  
#        mutate 420.515 466.8320 673.9109 554.4960 745.7175 2821.070   100  b 
#   mutate_pipe 522.402 600.6325 852.2037 715.1110 906.4700 3319.950   100   c

在这里，我们看到基地做得很好。 但是请注意，这些时间是以微秒为单位，而日期的上述时间是以毫秒为单位 。 无论您使用base还是dplyr添加列，它大约是用于执行日期转换的时间的1％。

如果别的

x = rnorm(1e5)
mbm(
    base_na = ifelse(x > 0, NA, x),
    base_na_real = ifelse(x > 0, NA_real_, x),
    base_replace = replace(x, x > 0, NA_real_),
    dplyr = if_else(x > 0, NA_real_, x),
    units = "ms"
)
# Unit: milliseconds
#          expr      min        lq      mean    median        uq       max neval cld
#       base_na 9.399593 13.399255 18.502441 14.734466 15.998573 138.33834   100  bc
#  base_na_real 8.785988 12.638971 22.885304 14.075802 16.980263 132.18165   100   c
#  base_replace 0.748265  1.136756  2.292686  1.384161  1.802833   9.05869   100 a  
#         dplyr 5.141753  6.875031 14.157227 10.095069 11.561044 124.99218   100  b 

这里的时间仍然是毫秒，但ifelse和dplyr::if_else之间的差异并不是那么极端。 dplyr::if_else要求返回向量是相同的类型，因此我们必须指定NA_real_才能使用数字输出。 在弗兰克的建议下，我也用NA_real_ base::replace了base::replace ，它快了大约10倍。 我认为，这里的教训是“使用最简单的功能”。

---

总之，在添加列时， dplyr比base更慢，但与正在进行的其他操作相比，两者都非常快。 因此，使用哪种列添加方法并不重要。 您可以通过不重复计算和使用更快版本的更大操作来加速代码。 使用我们学到的东西，更有效的代码版本是：

library(dplyr)
library(lubridate)
D04_Base2 <- D04_Base %>% 
    mutate(
        birthdate = mdy(BIRTHDT),
        birthyr = year(birthdate),
        age = (snapshotDt - birthdate) / 365.25,
        age = replace(age > 100, NA_real_)
    )

我们可以在大约180毫秒的时间内将1e5行的速度增益调整，如下所示。

• 170毫秒（单个lubridate::mdy在30毫秒而不是两个as.Date调用每个100毫秒）
• 10毫秒（ replace而不是ifelse ）

添加列基准测试表明，我们可以通过不使用管道节省大约0.1毫秒。 由于我们要添加多个列，因此使用dplyr可能比使用$<-单独添加它们更有效，但对于单个列，我们可以通过不使用dplyr节省大约0.5 ms。 由于我们已经加速了180毫秒，因此不使用mutate所获得的潜在分数毫秒是舍入误差，而不是效率提升。

在这种情况下，您正在做的最复杂的事情是Date转换，但如果您正在进行更多处理，即使这可能不是您的瓶颈 。 要优化代码，您应该看到哪些部分很慢，并且处理慢速位。 这称为分析 。 在这个答案中，我使用microbenchmark来比较竞争的短方法，但其他工具（如lineprof包）更适合识别代码块中最慢的部分。