Zrobiłem krótką analizę i wygląda na to, że wystąpił błąd data.table
.
> DT = data.table(a=1:1e6,b=1:1e6,c=1:1e6,d=1:1e6)
> Rprofmem()
> sapply(DT,class)
a b c d
"integer" "integer" "integer" "integer"
> Rprofmem(NULL)
> noquote(readLines("Rprofmem.out"))
[1] 4000040 :"as.list.data.table" "as.list" "lapply" "sapply"
[2] 4000040 :"as.list.data.table" "as.list" "lapply" "sapply"
[3] 4000040 :"as.list.data.table" "as.list" "lapply" "sapply"
[4] 4000040 :"as.list.data.table" "as.list" "lapply" "sapply"
> tracemem(DT)
> sapply(DT,class)
tracemem[000000000431A290 -> 00000000065D70D8]: as.list.data.table as.list lapply sapply
a b c d
"integer" "integer" "integer" "integer"
Więc patrząc na as.list.data.table
:
> data.table:::as.list.data.table
function (x, ...)
{
ans <- unclass(x)
setattr(ans, "row.names", NULL)
setattr(ans, "sorted", NULL)
setattr(ans, ".internal.selfref", NULL)
ans
}
<environment: namespace:data.table>
>
Zanotować brzydkie unclass
na pierwszej linii. ?unclass
potwierdza, że zajmuje głęboką kopię swojej argumentacji. Z tego szybkiego wyglądu nie wydaje się, aby kopiowanie było wykonywane przez sapply
lub lapply
(nie sądziłem, że zrobili, ponieważ R jest dobry w kopiowaniu przy zapisie, a nie są to pisanie), ale raczej as.list
w lapply
(które wysyła do as.list.data.table
).
Tak więc, jeśli unikniemy modelu unclass
, powinno przyspieszyć. Spróbujmy:
> DT = data.table(a=1:1e7,b=1:1e7,c=1:1e7,d=1:1e7)
> system.time(sapply(DT,class))
user system elapsed
0.28 0.06 0.35
> system.time(sapply(DT,class)) # repeat timing a few times and take minimum
user system elapsed
0.17 0.00 0.17
> system.time(sapply(DT,class))
user system elapsed
0.13 0.04 0.18
> system.time(sapply(DT,class))
user system elapsed
0.14 0.03 0.17
> assignInNamespace("as.list.data.table",function(x)x,"data.table")
> data.table:::as.list.data.table
function(x)x
> system.time(sapply(DT,class))
user system elapsed
0 0 0
> system.time(sapply(DT,class))
user system elapsed
0.01 0.00 0.02
> system.time(sapply(DT,class))
user system elapsed
0 0 0
> sapply(DT,class)
a b c d
"integer" "integer" "integer" "integer"
>
Tak, tak, nieskończenie lepiej.
mam podniesione bug report #2000 usunąć metodę as.list.data.table
, ponieważ data.table
is()
już list
, too. Może to przyspieszyć kilka idiomów, takich jak lapply(.SD,...)
. [EDIT: Naprawiono to w wersji 1.8.1].
Dzięki za pytanie!
Nie jestem pewien, czy podążam. Dlaczego nie tylko "sapply (DT, klasa)"? –
czasy dodane w tekście powyżej –
@MatthewDowle: Myślę, że OP oznacza, że sapply tworzy tymczasowe zmienne z podzbiorami danych.tabela, aby przejść do FUN dla każdej kolumny. Ponieważ jego data.table jest naprawdę duża i ma wiele kolumn, nie jest wydajna. Z tego powodu jego obejście polega na zmniejszeniu danych najpierw do jednego rzędu, a potem zadzwoń do ... – digEmAll