提高循环内 bind_rows 的速度（3000 个数据帧）

Question

我分析了一个非常大的数据库，其中包含超过 500 万条数据行和 40 列。出于实际原因，结果被分成小的“.Rdata”文件。我总共有超过 3000 个文件，每个文件的大小都达到 1Mb。

我设计了一个快速循环，使用 dplyr 将这些文件组合成一个数据帧，但是这非常慢，我相信有更快的方法。

我尝试将矩阵与预分配一起使用，但我的数据既是文本又是数字，并且出现错误。使用基本 R 时数据帧甚至更慢。

list_files = as.data.frame(list.files(path = "output", pattern = 'Rdata'))
names(list_files) = 'full_name'

list_files = list_files %>% 
    separate(full_name, sep ="_", into = c('col1','col2')) %>% 
        separate(col2, sep = '.R', into = c('col3','col4')) %>%
            mutate(col3 = as.numeric(col3)) %>% 
            arrange(col3) %>%  mutate(col3 = as.character(col3))

datax <- c()

for(i in 1:length(list_files$col3))
    {
        load(paste('output/MyData_',list_files$col3[i],'.Rdata',sep=''))
##here loads results_df2
        datax = datax %>% bind_rows(results_df2)
        if((i %% 100) == 0) { print(i)}
    }

有没有更有效的方法来编写这个循环？

Answer 1

使用 purrr::map 和 purrr::reduce，您可以在不使用 for 循环的情况下导入和绑定它们。

library(purrr)
library(dplyr)

# save data frame as rds
# mtcars %>% saveRDS("mtcars1.rds")
# mtcars %>% saveRDS("mtcars2.rds")

# list files
files <- list.files(pattern = "rds")

# read and bind
files %>% map(readRDS) %>% 
                reduce(bind_rows)

Answer 2

另一个选项data.table

library(data.table)
library(dplyr)

list_files = list.files(path = "output", pattern = 'Rdata')
lapply(list_files, function(x) load(x) %>% data.table() ) %>% rbindlist()

Answer 3

使用 dplyr 和 bind_rows

system.time( for(i in 1:50) { datax = datax %>% bind_rows( ll[[i]]) })

结果

user  system elapsed 
2.70    0.15    2.87

使用 rbindlist 函数

system.time(ans1 <- rbindlist(ll))

结果

 user  system elapsed 
 0.05    0.00    0.04

这正是我所需要的。问题得到解答。谢谢大家

提高循环内 bind_rows 的速度（3000 个数据帧）

Increase speed of bind_rows within loop (3000 dataframes)

r

dplyr

tidyverse

tibble