Idata.frame: Почему ошибка "is.data.frame (df) не правда"?

Question

Я работаю с большим кадром данных называется Exp (Файл здесь) В Р. В интересах производительности было предложено проверить функцию Idata.rame () из Plyr. Но я думаю, что я использую это неправильно.

Мой оригинальный звонок, медленно, но это работает:

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

С 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)

Итак, я думал, возможно, это мои данные. Поэтому я попробовал baseball набор данных. То idata.frame Пример работает нормально: dlply(idata.frame(baseball), "id", nrow) Но если я попробую что-то похожее на желаемый звонок, используя baseball, это не работает:

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

Возможно, моя ошибка в том, как я указываю группировки? Кто-нибудь знает, как сделать мой пример работы?

ETA:

Я также пробовал:

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

которые используют более быстрый способ получения медианов, но дает другую ошибку. Я не думаю, что понимаю, как использовать iData.rame вообще.

Answer 1

Учитывая, что работают с «большими» данными и ищем перфоманс, это кажется идеальной подходящей для data.table.

Конкретно то lapply(.SD,FUN) и .SDcols аргументы с by

Настройка data.table

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

Какие столбцы есть 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]

некоторое бенчмаркинг

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

Странное поведение, но даже в документах написано, что iData.rame - экспериментал. Вы, вероятно, нашли ошибку. Возможно, вы можете переписать чек на вершине DDPLY, которые тесты is.data.frame ().

В любом случае, это сокращает около 20% от времени (в моей системе):

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))
) 

Шейн спросил вас в другом посте, если вы можете кэшировать результаты вашего сценария. У меня на самом деле не имею представление о вашем рабочем процессе, но может быть лучше настроить Chron, чтобы запустить это и хранить результаты, ежедневно / почасовые.