在R中合并/加入data.frames的最快方法是什么？

Question

例如（不确定是否最具代表性的例子）：

N <- 1e6
d1 <- data.frame(x=sample(N,N), y1=rnorm(N))
d2 <- data.frame(x=sample(N,N), y2=rnorm(N))

这是我到目前为止所得到的：

d <- merge(d1,d2)
# 7.6 sec

library(plyr)
d <- join(d1,d2)
# 2.9 sec

library(data.table)
dt1 <- data.table(d1, key="x")
dt2 <- data.table(d2, key="x")
d <- data.frame( dt1[dt2,list(x,y1,y2=dt2$y2)] )
# 4.9 sec

library(sqldf)
sqldf()
sqldf("create index ix1 on d1(x)")
sqldf("create index ix2 on d2(x)")
d <- sqldf("select * from d1 inner join d2 on d1.x=d2.x")
sqldf()
# 17.4 sec

Answer 1

当第一个中的每个键值在第二个数据帧中有唯一键时，匹配方法有效。 如果第二个数据帧中存在重复，则匹配和合并方法不同。 当然，匹配更快，因为它没有那么多。 特别是它永远不会寻找重复的键。 （代码后继续）

DF1 = data.frame(a = c(1, 1, 2, 2), b = 1:4)
DF2 = data.frame(b = c(1, 2, 3, 3, 4), c = letters[1:5])
merge(DF1, DF2)
    b a c
  1 1 1 a
  2 2 1 b
  3 3 2 c
  4 3 2 d
  5 4 2 e
DF1$c = DF2$c[match(DF1$b, DF2$b)]
DF1$c
[1] a b c e
Levels: a b c d e

> DF1
  a b c
1 1 1 a
2 1 2 b
3 2 3 c
4 2 4 e

在问题中发布的sqldf代码中，可能看起来在两个表上使用了索引，但事实上，它们被放置在sql select运行之前被覆盖的表上，并且部分地说明了为什么它太慢了。 sqldf的想法是R会话中的数据帧构成数据库，而不是sqlite中的表。 因此，每次代码引用非限定表名时，它将在R工作空间中查找 - 而不是在sqlite的主数据库中。 因此，显示的select语句将d1和d2从工作空间读入sqlite的主数据库，破坏那些带有索引的数据库。 因此，它执行没有索引的连接。 如果你想使用sqlite主数据库中的d1和d2版本，你必须将它们称为main.d1和main.d2而不是d1和d2。 此外，如果您尝试使其尽可能快地运行，请注意，简单连接不能在两个表上使用索引，因此您可以节省创建其中一个索引的时间。 在下面的代码中，我们说明了这些要点。

值得注意的是，精确的计算可以在哪个包最快的情况下产生巨大的差异。 例如，我们在下面进行合并和聚合。 我们看到两者的结果几乎相反。 在从最快到最慢的第一个例子中，我们得到：data.table，plyr，merge和sqldf，而在第二个例子中，sqldf，aggregate，data.table和plyr - 几乎与第一个相反。 在第一个示例中，sqldf比data.table慢3倍，在第二个示例中，它比plyr快200倍，比data.table快100倍。 下面我们展示输入代码，合并的输出时序和聚合的输出时序。 值得注意的是sqldf基于数据库，因此可以处理大于R可以处理的对象（如果使用sqldf的dbname参数），而其他方法仅限于在主内存中处理。 我们还用sqlite说明了sqldf，但它也支持H2和PostgreSQL数据库。

library(plyr)
library(data.table)
library(sqldf)

set.seed(123)
N <- 1e5
d1 <- data.frame(x=sample(N,N), y1=rnorm(N))
d2 <- data.frame(x=sample(N,N), y2=rnorm(N))

g1 <- sample(1:1000, N, replace = TRUE)
g2<- sample(1:1000, N, replace = TRUE)
d <- data.frame(d1, g1, g2)

library(rbenchmark)

benchmark(replications = 1, order = "elapsed",
   merge = merge(d1, d2),
   plyr = join(d1, d2),
   data.table = { 
      dt1 <- data.table(d1, key = "x")
      dt2 <- data.table(d2, key = "x")
      data.frame( dt1[dt2,list(x,y1,y2=dt2$y2)] )
      },
   sqldf = sqldf(c("create index ix1 on d1(x)",
      "select * from main.d1 join d2 using(x)"))
)

set.seed(123)
N <- 1e5
g1 <- sample(1:1000, N, replace = TRUE)
g2<- sample(1:1000, N, replace = TRUE)
d <- data.frame(x=sample(N,N), y=rnorm(N), g1, g2)

benchmark(replications = 1, order = "elapsed",
   aggregate = aggregate(d[c("x", "y")], d[c("g1", "g2")], mean), 
   data.table = {
      dt <- data.table(d, key = "g1,g2")
      dt[, colMeans(cbind(x, y)), by = "g1,g2"]
   },
   plyr = ddply(d, .(g1, g2), summarise, avx = mean(x), avy=mean(y)),
   sqldf = sqldf(c("create index ix on d(g1, g2)",
      "select g1, g2, avg(x), avg(y) from main.d group by g1, g2"))
)

比较合并计算的两个基准调用的输出是：

Joining by: x
        test replications elapsed relative user.self sys.self user.child sys.child
3 data.table            1    0.34 1.000000      0.31     0.01         NA        NA
2       plyr            1    0.44 1.294118      0.39     0.02         NA        NA
1      merge            1    1.17 3.441176      1.10     0.04         NA        NA
4      sqldf            1    3.34 9.823529      3.24     0.04         NA        NA

比较聚合计算的基准调用的输出是：

        test replications elapsed  relative user.self sys.self user.child sys.child
4      sqldf            1    2.81  1.000000      2.73     0.02         NA        NA
1  aggregate            1   14.89  5.298932     14.89     0.00         NA        NA
2 data.table            1  132.46 47.138790    131.70     0.08         NA        NA
3       plyr            1  212.69 75.690391    211.57     0.56         NA        NA

Answer 2

在Gabor的data.table结果中报告的132秒实际上是时基函数colMeans和cbind （使用这些函数引起的内存分配和复制）。 使用data.table也有好的和坏的方法。

benchmark(replications = 1, order = "elapsed", 
  aggregate = aggregate(d[c("x", "y")], d[c("g1", "g2")], mean),
  data.tableBad = {
     dt <- data.table(d, key = "g1,g2") 
     dt[, colMeans(cbind(x, y)), by = "g1,g2"]
  }, 
  data.tableGood = {
     dt <- data.table(d, key = "g1,g2") 
     dt[, list(mean(x),mean(y)), by = "g1,g2"]
  }, 
  plyr = ddply(d, .(g1, g2), summarise, avx = mean(x), avy=mean(y)),
  sqldf = sqldf(c("create index ix on d(g1, g2)",
      "select g1, g2, avg(x), avg(y) from main.d group by g1, g2"))
  ) 

            test replications elapsed relative user.self sys.self
3 data.tableGood            1    0.15    1.000      0.16     0.00
5          sqldf            1    1.01    6.733      1.01     0.00
2  data.tableBad            1    1.63   10.867      1.61     0.01
1      aggregate            1    6.40   42.667      6.38     0.00
4           plyr            1  317.97 2119.800    265.12    51.05

packageVersion("data.table")
# [1] ‘1.8.2’
packageVersion("plyr")
# [1] ‘1.7.1’
packageVersion("sqldf")
# [1] ‘0.4.6.4’
R.version.string
# R version 2.15.1 (2012-06-22)

请注意，我不太熟悉，所以请在依赖此处的plyr时间之前与Hadley联系。 另请注意， data.table确实包含转换为data.table的时间并设置密钥，用于表示。

---

此答案自2010年12月最初回答以来已更新。之前的基准测试结果如下。 请查看此答案的修订历史，以查看更改的内容。

              test replications elapsed   relative user.self sys.self
4   data.tableBest            1   0.532   1.000000     0.488    0.020
7            sqldf            1   2.059   3.870301     2.041    0.008
3 data.tableBetter            1   9.580  18.007519     9.213    0.220
1        aggregate            1  14.864  27.939850    13.937    0.316
2  data.tableWorst            1 152.046 285.800752   150.173    0.556
6 plyrwithInternal            1 198.283 372.712406   189.391    7.665
5             plyr            1 225.726 424.296992   208.013    8.004

Answer 3

对于简单的任务（连接两侧的唯一值）我使用match ：

system.time({
    d <- d1
    d$y2 <- d2$y2[match(d1$x,d2$x)]
})

它比合并快得多（在我的机器上0.13s到3.37s）。

我的时间：

• merge ：3.32s
• plyr ：0.84秒
• match ：0.12s

Answer 4

认为在混合中使用dplyr发布基准测试会很有趣:(有很多东西在运行）

            test replications elapsed relative user.self sys.self
5          dplyr            1    0.25     1.00      0.25     0.00
3 data.tableGood            1    0.28     1.12      0.27     0.00
6          sqldf            1    0.58     2.32      0.57     0.00
2  data.tableBad            1    1.10     4.40      1.09     0.01
1      aggregate            1    4.79    19.16      4.73     0.02
4           plyr            1  186.70   746.80    152.11    30.27

packageVersion("data.table")
[1] ‘1.8.10’
packageVersion("plyr")
[1] ‘1.8’
packageVersion("sqldf")
[1] ‘0.4.7’
packageVersion("dplyr")
[1] ‘0.1.2’
R.version.string
[1] "R version 3.0.2 (2013-09-25)"

刚刚添加：

dplyr = summarise(dt_dt, avx = mean(x), avy = mean(y))

并使用数据表设置dplyr的数据：

dt <- tbl_dt(d)
dt_dt <- group_by(dt, g1, g2)

更新：我删除了data.tableBad和plyr，只删除了RStudio（i7,16GB ram）。

使用data.table 1.9和dplyr与数据框：

            test replications elapsed relative user.self sys.self
2 data.tableGood            1    0.02      1.0      0.02     0.00
3          dplyr            1    0.04      2.0      0.04     0.00
4          sqldf            1    0.46     23.0      0.46     0.00
1      aggregate            1    6.11    305.5      6.10     0.02

使用data.table 1.9和dplyr与数据表：

            test replications elapsed relative user.self sys.self
2 data.tableGood            1    0.02        1      0.02     0.00
3          dplyr            1    0.02        1      0.02     0.00
4          sqldf            1    0.44       22      0.43     0.02
1      aggregate            1    6.14      307      6.10     0.01

packageVersion("data.table")
[1] '1.9.0'
packageVersion("dplyr")
[1] '0.1.2'

为了保持一致性，这里是原始的all和data.table 1.9和dplyr使用数据表：

            test replications elapsed relative user.self sys.self
5          dplyr            1    0.01        1      0.02     0.00
3 data.tableGood            1    0.02        2      0.01     0.00
6          sqldf            1    0.47       47      0.46     0.00
1      aggregate            1    6.16      616      6.16     0.00
2  data.tableBad            1   15.45     1545     15.38     0.01
4           plyr            1  110.23    11023     90.46    19.52

我认为这个数据对于新的data.table和dplyr来说太小了:)

更大的数据集：

N <- 1e8
g1 <- sample(1:50000, N, replace = TRUE)
g2<- sample(1:50000, N, replace = TRUE)
d <- data.frame(x=sample(N,N), y=rnorm(N), g1, g2)

在运行基准测试之前，只需要保存10-13GB的ram即可保存数据。

结果：

            test replications elapsed relative user.self sys.self
1          dplyr            1   14.88        1      6.24     7.52
2 data.tableGood            1   28.41        1     18.55      9.4

尝试了10亿但炸毁了公羊。 32GB将处理它没问题。

---

[由Arun编辑]（dotcomken，您可以运行此代码并粘贴您的基准测试结果吗？谢谢）。

require(data.table)
require(dplyr)
require(rbenchmark)

N <- 1e8
g1 <- sample(1:50000, N, replace = TRUE)
g2 <- sample(1:50000, N, replace = TRUE)
d <- data.frame(x=sample(N,N), y=rnorm(N), g1, g2)

benchmark(replications = 5, order = "elapsed", 
  data.table = {
     dt <- as.data.table(d) 
     dt[, lapply(.SD, mean), by = "g1,g2"]
  }, 
  dplyr_DF = d %.% group_by(g1, g2) %.% summarise(avx = mean(x), avy=mean(y))
) 

按照Arun的要求，你提供我运行的输出：

        test replications elapsed relative user.self sys.self
1 data.table            5   15.35     1.00     13.77     1.57
2   dplyr_DF            5  137.84     8.98    136.31     1.44

对不起，混乱，深夜来找我。

将dplyr与数据框一起使用似乎是处理摘要的效率较低的方法。 这种方法是否将data.table和dplyr的确切功能与其包含的数据结构方法进行比较？ 我几乎更喜欢将其分开，因为在我们group_by或创建data.table之前需要清理大多数数据。 这可能是一个品味问题，但我认为最重要的部分是如何有效地建模数据。

Answer 5

通过使用merge函数及其可选参数：

内部联接：merge（df1，df2）将适用于这些示例，因为R通过公共变量名称自动加入帧，但您很可能希望指定merge（df1，df2，by =“CustomerId”）以确保您只匹配你想要的字段。 如果匹配变量在不同数据框中具有不同的名称，也可以使用by.x和by.y参数。

Outer join: merge(x = df1, y = df2, by = "CustomerId", all = TRUE)

Left outer: merge(x = df1, y = df2, by = "CustomerId", all.x = TRUE)

Right outer: merge(x = df1, y = df2, by = "CustomerId", all.y = TRUE)

Cross join: merge(x = df1, y = df2, by = NULL)