Podejście dopasowania działa, gdy w drugiej ramce danych znajduje się unikalny klucz dla każdej wartości klucza w pierwszej. Jeśli w drugiej ramce danych znajdują się duplikaty, wówczas podejścia dopasowywania i łączenia nie są takie same. Mecz jest oczywiście szybszy, ponieważ nie robi tak dużo. W szczególności nigdy nie szuka zduplikowanych kluczy. (kontynuacja po kodzie)
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
W kodzie sqldf, który został opublikowany w pytaniu, może się wydawać, że indeksy zostały użyte w dwóch tabelach, ale w rzeczywistości są one umieszczane w tabelach, które zostały nadpisane przed uruchomieniem sql select i częściowo wyjaśnia dlaczego jest tak wolno. Idea sqldf polega na tym, że ramki danych w sesji R stanowią bazę danych, a nie tabele w sqlite. Zatem za każdym razem, gdy kod odwołuje się do niekwalifikowanej nazwy tabeli, będzie szukał jej w obszarze roboczym języka R - a nie w głównej bazie danych sqlite. W ten sposób instrukcja select, która została pokazana, odczytuje d1 i d2 z obszaru roboczego do głównej bazy danych sqlite, przebijając te, które były tam z indeksami. W rezultacie wykonuje łączenie bez indeksów. Jeśli chciałbyś skorzystać z wersji d1 i d2, które były w głównej bazie danych sqlite, musiałbyś nazywać je main.d1 i main. d2 a nie jak d1 i d2. Ponadto, jeśli starasz się, aby działał tak szybko, jak to możliwe, zwróć uwagę, że proste sprzężenie nie może korzystać z indeksów w obu tabelach, więc możesz zaoszczędzić czas na tworzeniu jednego z indeksów. W poniższym kodzie ilustrujemy te punkty.
Warto zauważyć, że precyzyjne obliczenia mogą mieć ogromny wpływ na to, który pakiet jest najszybszy. Na przykład poniżej wykonujemy scalanie i agregowanie. Widzimy, że wyniki w obu przypadkach są prawie odwrotne. W pierwszym przykładzie od najszybszego do najwolniejszego otrzymujemy: data.table, plyr, merge i sqldf, natomiast w drugim przykładzie sqldf, agregate, data.table i plyr - prawie odwrotność pierwszego. W pierwszym przykładzie sqldf jest 3x wolniejsze niż data.table, aw drugim 200x szybsze niż plyr i 100 razy szybsze niż data.table. Poniżej pokazujemy kod wejściowy, czasy wyjściowe dla scalenia i czasy wyjściowe dla agregatu. Warto również zauważyć, że sqldf jest oparty na bazie danych i dlatego może obsługiwać obiekty większe niż może obsłużyć R (jeśli użyjesz argumentu dbname funkcji sqldf), podczas gdy inne podejścia są ograniczone do przetwarzania w pamięci głównej. Zilustrowaliśmy także sqldf z sqlite, ale obsługuje on również bazy danych H2 i 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"))
)
Dane wyjściowe z dwóch wywołań porównawczych porównujących obliczenia scalania są następujące:
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
Wyniki wywołania porównawczego porównującego zagregowane obliczenia są następujące:
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