在 R 中使用 for 循环优化子集

Question

我正在使用 R 和 RStudio 来分析 GTFS public 传输源并使用 ggplot2 创建时间表范围图。该代码目前工作正常但速度很慢，这在处理非常大的 CSV 时会出现问题，这里经常出现这种情况。

代码中最慢的部分如下（有一些上下文）：循环遍历数据框并将每个唯一行程的子集放入一个临时数据框，极端到达和离开值（第一个 &最后一行）被提取：

# Creates an empty df to contain trip_id, trip start and trip end times
Trip_Times <- data.frame(Trip_ID = character(), Departure = character(), Arrival = character(), stringsAsFactors = FALSE) 

# Creates a vector containing all trips of the analysed day
unique_trips = unique(stop_times$trip_id)

# Iterates through stop_times for each unique trip_id and populates previously created data frame
for (i in seq(from = 1, to = length(unique_trips), by = 1)) {
  temp_df <- subset(stop_times, trip_id == unique_trips[i])
  Trip_Times[nrow(Trip_Times) + 1, ] <- c(temp_df$trip_id[[1]], temp_df$departure_time[[1]], temp_df$arrival_time[[nrow(temp_df)]])
}

stop_times df 看起来如下，一些包含超过 250 万行的提要提供了大约 20 万次独特的旅行，因此有 20 万次循环迭代...

head(stop_times)
trip_id arrival_time departure_time stop_sequence
1 011_0840101_A14      7:15:00        7:15:00             1
2 011_0840101_A14      7:16:00        7:16:00             2
3 011_0840101_A14      7:17:00        7:17:00             3
4 011_0840101_A14      7:18:00        7:18:00             4
5 011_0840101_A14      7:19:00        7:19:00             5
6 011_0840101_A14      7:20:00        7:20:00             6

谁能告诉我如何优化这段代码以获得更快的结果。我不相信 apply 可以在这里使用，但我很可能是错的。

Answer 1

这应该很简单 dplyr...

library(dplyr)

Trip_Times <- stop_times %>%
              group_by(trip_id) %>%
              summarise(departure_time=first(departure_time),
                        arrival_time=last(arrival_time))

Answer 2

我们可以使用data.table

library(data.table)
setDT(stop_times)[, .(departure_time = departure_time[1L], 
                    arrival_time = arrival_time[.N]) , by = trip_id]

在 R 中使用 for 循环优化子集

Optimising subsetting with for loop in R

r

gtfs