Konwertuj listę ramek danych na jedną ramkę danych
Mam kod, który w jednym miejscu kończy się listą ramek danych, które naprawdę chcę przekonwertować na pojedynczą dużą ramkę danych.
Dostałem kilka wskazówek z wcześniejszego pytania , które próbowało zrobić coś podobnego, ale bardziej złożonego.
Oto przykład tego, od czego zaczynam (jest to rażąco uproszczone dla ilustracji):
listOfDataFrames <- vector(mode = "list", length = 100)
for (i in 1:100) {
listOfDataFrames[[i]] <- data.frame(a=sample(letters, 500, rep=T),
b=rnorm(500), c=rnorm(500))
}
Obecnie używam tego:
df <- do.call("rbind", listOfDataFrames)
9 answers
Inną opcją jest użycie funkcji plyr:
df <- ldply(listOfDataFrames, data.frame)
To jest trochę wolniejsze od oryginału:
> system.time({ df <- do.call("rbind", listOfDataFrames) })
user system elapsed
0.25 0.00 0.25
> system.time({ df2 <- ldply(listOfDataFrames, data.frame) })
user system elapsed
0.30 0.00 0.29
> identical(df, df2)
[1] TRUE
Domyślam się, że użycie do.call("rbind", ...)
będzie najszybszym podejściem, jakie znajdziesz, chyba że możesz zrobić coś w rodzaju (a) użyć macierzy zamiast danych.ramek i (b) prealokują ostateczną macierz i przypisują do niej zamiast ją powiększać.
Edytuj 1:
Na podstawie komentarza Hadleya, oto najnowsza wersja rbind.fill
z CRAN:
> system.time({ df3 <- rbind.fill(listOfDataFrames) })
user system elapsed
0.24 0.00 0.23
> identical(df, df3)
[1] TRUE
Jest to łatwiejsze niż rbind i nieznacznie szybsze (te timingi utrzymują się na wielu biegach). I o ile to Rozumiem, Wersja plyr
na GitHubie jest jeszcze szybsza.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2010-05-18 13:54:06
Dla kompletności, myślałem, że odpowiedzi na to pytanie wymaga aktualizacji. "Domyślam się, że użycie do.call("rbind", ...)
będzie najszybszym podejściem, jakie znajdziesz..."Prawdopodobnie było to prawdą w maju 2010 roku i jakiś czas później, ale około września 2011 roku nowa funkcja rbindlist
została wprowadzona w pakiecie data.table
w wersji 1.8.2, z uwagą, że "robi to to samo co do.call("rbind",l)
, ale znacznie szybciej". O ile szybciej?
library(rbenchmark)
benchmark(
do.call = do.call("rbind", listOfDataFrames),
plyr_rbind.fill = plyr::rbind.fill(listOfDataFrames),
plyr_ldply = plyr::ldply(listOfDataFrames, data.frame),
data.table_rbindlist = as.data.frame(data.table::rbindlist(listOfDataFrames)),
replications = 100, order = "relative",
columns=c('test','replications', 'elapsed','relative')
)
test replications elapsed relative
4 data.table_rbindlist 100 0.11 1.000
1 do.call 100 9.39 85.364
2 plyr_rbind.fill 100 12.08 109.818
3 plyr_ldply 100 15.14 137.636
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2016-02-26 21:06:23
Istnieje również bind_rows(x, ...)
w dplyr
.
> system.time({ df.Base <- do.call("rbind", listOfDataFrames) })
user system elapsed
0.08 0.00 0.07
>
> system.time({ df.dplyr <- as.data.frame(bind_rows(listOfDataFrames)) })
user system elapsed
0.01 0.00 0.02
>
> identical(df.Base, df.dplyr)
[1] TRUE
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2015-04-29 00:32:15
Kod:
library(microbenchmark)
dflist <- vector(length=10,mode="list")
for(i in 1:100)
{
dflist[[i]] <- data.frame(a=runif(n=260),b=runif(n=260),
c=rep(LETTERS,10),d=rep(LETTERS,10))
}
mb <- microbenchmark(
plyr::rbind.fill(dflist),
dplyr::bind_rows(dflist),
data.table::rbindlist(dflist),
plyr::ldply(dflist,data.frame),
do.call("rbind",dflist),
times=1000)
ggplot2::autoplot(mb)
Sesja:
R version 3.3.0 (2016-05-03)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 7 x64 (build 7601) Service Pack 1
> packageVersion("plyr")
[1] ‘1.8.4’
> packageVersion("dplyr")
[1] ‘0.5.0’
> packageVersion("data.table")
[1] ‘1.9.6’
UPDATE : Przekierowanie 31-Sty-2018. Działał na tym samym komputerze. Nowe wersje pakietów. Dodano nasiona dla miłośników nasion.
set.seed(21)
library(microbenchmark)
dflist <- vector(length=10,mode="list")
for(i in 1:100)
{
dflist[[i]] <- data.frame(a=runif(n=260),b=runif(n=260),
c=rep(LETTERS,10),d=rep(LETTERS,10))
}
mb <- microbenchmark(
plyr::rbind.fill(dflist),
dplyr::bind_rows(dflist),
data.table::rbindlist(dflist),
plyr::ldply(dflist,data.frame),
do.call("rbind",dflist),
times=1000)
ggplot2::autoplot(mb)+theme_bw()
R version 3.4.0 (2017-04-21)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 7 x64 (build 7601) Service Pack 1
> packageVersion("plyr")
[1] ‘1.8.4’
> packageVersion("dplyr")
[1] ‘0.7.2’
> packageVersion("data.table")
[1] ‘1.10.4’
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2018-01-31 15:10:11
Użyj bind_rows () z pakietu dplyr:
bind_rows(list_of_dataframes, .id = "column_label")
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2018-02-27 20:05:08
Jak to powinno być zrobione w tidyverse:
df.dplyr.purrr <- listOfDataFrames %>% map_df(bind_rows)
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2017-05-16 13:27:19
Jest inny sposób, aby to zrobić (po prostu dodanie go do odpowiedzi, ponieważ reduce
jest bardzo skutecznym narzędziem funkcjonalnym, które jest często pomijane jako zamiennik pętli. W tym konkretnym przypadku, żadne z nich nie są znacznie szybsze niż zrobić.call)
Używając bazy R:
df <- Reduce(rbind, listOfDataFrames)
Lub, używając tidyverse:
library(tidyverse) # or, library(dplyr); library(purrr)
df <- listOfDataFrames %>% reduce(bind_rows)
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2017-05-17 02:38:23
Jedyną rzeczą, której brakuje rozwiązaniom z data.table
, jest kolumna identifier, z której ramki danych na liście pochodzą dane.
Coś takiego:
df_id <- data.table::rbindlist(listOfDataFrames, idcol = TRUE)
Parametr idcol
dodaje kolumnę (.id
) określającą pochodzenie ramki danych zawartej w liście. Wynik wyglądałby tak:
.id a b c
1 u -0.05315128 -1.31975849
1 b -1.00404849 1.15257952
1 y 1.17478229 -0.91043925
1 q -1.65488899 0.05846295
1 c -1.43730524 0.95245909
1 b 0.56434313 0.93813197
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2017-06-22 15:30:44
Zaktualizowany obraz dla tych, którzy chcą porównać niektóre z ostatnich odpowiedzi (chciałem porównać purrr do rozwiązania dplyr). W zasadzie połączyłem odpowiedzi z @TheVTM i @RMF.
Kod:
library(microbenchmark)
library(data.table)
library(tidyverse)
dflist <- vector(length=10,mode="list")
for(i in 1:100)
{
dflist[[i]] <- data.frame(a=runif(n=260),b=runif(n=260),
c=rep(LETTERS,10),d=rep(LETTERS,10))
}
mb <- microbenchmark(
dplyr::bind_rows(dflist),
data.table::rbindlist(dflist),
purrr::map_df(dflist, bind_rows),
do.call("rbind",dflist),
times=500)
ggplot2::autoplot(mb)
Informacje O Sesji:
sessionInfo()
R version 3.4.1 (2017-06-30)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 7 x64 (build 7601) Service Pack 1
Wersje Pakietu:
> packageVersion("tidyverse")
[1] ‘1.1.1’
> packageVersion("data.table")
[1] ‘1.10.0’
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2017-08-22 17:04:43