idata.frame: Perché errore “is.data.frame (df) non è vero”?

Question

sto lavorando con una grande cornice di dati chiamato exp ( lima qui ) in R. per motivi di prestazioni, è stato suggerito che ho check out la funzione idata.frame () da plyr. Ma penso che sto usando nel modo sbagliato.

La mia chiamata originale, lento ma funziona:

df.median<-ddply(exp, 
                 .(groupname,starttime,fPhase,fCycle), 
                 numcolwise(median), 
                 na.rm=TRUE)

Con idata.frame, Error: is.data.frame(df) is not TRUE

library(plyr)
df.median<-ddply(idata.frame(exp), 
                 .(groupname,starttime,fPhase,fCycle), 
                 numcolwise(median), 
                 na.rm=TRUE)

Così, ho pensato, forse è il mio dati. Così ho provato il set di dati baseball. L'esempio idata.frame funziona bene: dlply(idata.frame(baseball), "id", nrow) Ma se provo qualcosa di simile alla mia chiamata desiderata utilizzando baseball, non funziona:

bb.median<-ddply(idata.frame(baseball), 
                 .(id,year,team), 
                 numcolwise(median), 
                 na.rm=TRUE)
>Error: is.data.frame(df) is not TRUE

Forse il mio errore è nel modo in cui sto specificando i raggruppamenti? Qualcuno sa come fare il mio lavoro esempio?

ETA:

Ho anche provato:

groupVars <- c("groupname","starttime","fPhase","fCycle")
voi<-c('inadist','smldist','lardist')

i<-idata.frame(exp)
ag.median <- aggregate(i[,voi], i[,groupVars], median)
Error in i[, voi] : object of type 'environment' is not subsettable

che utilizza un modo più veloce di ottenere i mediane, ma dà un errore diverso. Io non credo di capire come utilizzare idata.frame a tutti.

Answer 1

Dato che si sta lavorando con i dati 'grandi' e alla ricerca di performance, questo sembra una misura perfetta per data.table.

In particolare gli argomenti lapply(.SD,FUN) e .SDcols con by

Imposta la data.table

library(data.table)
DT <- as.data.table(exp)
iexp <- idata.frame(exp)

Quali colonne sono numeric

numeric_columns <- names(which(unlist(lapply(DT, is.numeric))))



dt.median <- DT[, lapply(.SD, median), by = list(groupname, starttime, fPhase, 
    fCycle), .SDcols = numeric_columns]

po 'di benchmarking

library(rbenchmark)
benchmark(data.table = DT[, lapply(.SD, median), by = list(groupname, starttime, 
    fPhase, fCycle), .SDcols = numeric_columns], 
 plyr = ddply(exp, .(groupname, starttime, fPhase, fCycle), numcolwise(median), na.rm = TRUE), 
 idataframe = ddply(exp, .(groupname, starttime, fPhase, fCycle), function(x) data.frame(inadist = median(x$inadist), 
        smldist = median(x$smldist), lardist = median(x$lardist), inadur = median(x$inadur), 
        smldur = median(x$smldur), lardur = median(x$lardur), emptyct = median(x$emptyct), 
        entct = median(x$entct), inact = median(x$inact), smlct = median(x$smlct), 
        larct = median(x$larct), na.rm = TRUE)), 
 aggregate = aggregate(exp[, numeric_columns],
                       exp[, c("groupname", "starttime", "fPhase", "fCycle")], 
              median), 
 replications = 5)

##         test replications elapsed relative user.self 
## 4  aggregate            5    5.42    1.789      5.30   
## 1 data.table            5    3.03    1.000      3.03    
## 3 idataframe            5   11.81    3.898     11.77       
## 2       plyr            5    9.47    3.125      9.45       

Answer 2

Strano comportamento, ma anche nella documentazione si dice che idata.frame è sperimentale. Probabilmente trovato un bug. Forse si potrebbe riscrivere il controllo nella parte superiore della ddply che i test is.data.frame ().

In ogni caso, questo riduce circa del 20% sul tempo (sul mio sistema):

system.time(df.median<-ddply(exp, .(groupname,starttime,fPhase,fCycle), function(x) data.frame(
inadist=median(x$inadist),
smldist=median(x$smldist),
lardist=median(x$lardist),
inadur=median(x$inadur),
smldur=median(x$smldur),
lardur=median(x$lardur),
emptyct=median(x$emptyct),
entct=median(x$entct),
inact=median(x$inact),
smlct=median(x$smlct),
larct=median(x$larct),
na.rm=TRUE))
) 

Shane ti ha chiesto in un altro post, se si potesse memorizzare nella cache i risultati del vostro script. Io in realtà non ho un'idea del flusso di lavoro, ma può essere meglio di impostare una Chron per eseguire questo e memorizzare i risultati, ogni giorno / ogni ora qualunque cosa.