Подход соответствия работает, когда во втором фрейме данных есть уникальный ключ для каждого значения ключа в первом. Если во втором фрейме данных есть дубликаты, то подходы сопоставления и слияния не совпадают. Матч, конечно, быстрее, потому что он не так много. В частности, он никогда не ищет повторяющиеся ключи. (продолжение после кода)
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
В коде sqldf, который был опубликован в вопросе, может показаться, что индексы использовались в двух таблицах, но на самом деле они помещаются в таблицы, которые были перезаписаны до того, как SQL select когда-либо запускался, и это, отчасти, объясняет, почему это так медленно. Идея sqldf заключается в том, что фреймы данных в вашем сеансе R составляют базу данных, а не таблицы в sqlite. Таким образом, каждый раз, когда код обращается к неквалифицированному имени таблицы, он будет искать его в вашем рабочем пространстве R, а не в основной базе данных sqlite. Таким образом, показанный оператор select считывает d1 и d2 из рабочей области в основную базу данных sqlite, уничтожая те, которые были там с индексами. В результате выполняется соединение без индексов. Если вы хотите использовать версии d1 и d2, которые были в основной базе данных sqlite, вам придется называть их main.d1 и main. d2, а не как d1 и d2. Кроме того, если вы пытаетесь заставить его работать как можно быстрее, обратите внимание, что простое соединение не может использовать индексы в обеих таблицах, поэтому вы можете сэкономить время на создание одного из индексов. В приведенном ниже коде мы иллюстрируем эти моменты.
Стоит отметить, что точное вычисление может иметь огромное значение, какой пакет будет самым быстрым. Например, ниже мы делаем слияние и агрегирование. Мы видим, что результаты для этих двоих почти противоположны. В первом примере от самого быстрого к самому медленному мы получаем: data.table, plyr, merge и sqldf, тогда как во втором примере sqldf, aggregate, data.table и plyr - почти обратное первому. В первом примере sqldf в 3 раза медленнее, чем data.table, а во втором - в 200 раз быстрее, чем plyr, и в 100 раз быстрее, чем data.table. Ниже мы показываем входной код, время вывода для слияния и время вывода для агрегата. Также стоит отметить, что sqldf основан на базе данных и, следовательно, может обрабатывать объекты больше, чем может обработать R (если вы используете аргумент dbname sqldf), в то время как другие подходы ограничиваются обработкой в основной памяти. Также мы проиллюстрировали sqldf с sqlite, но он также поддерживает базы данных H2 и PostgreSQL.
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"))
)
Результаты двух вызовов тестов для сравнения вычислений слияния:
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
Результатом вызова теста производительности для сравнения агрегированных вычислений являются:
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