data.table 使用 .SD 和 by 的性能

Question

我想按组筛选大型 data.table。我可以使用 .SD 或 .I，虽然我个人认为前者更容易阅读，但后者更快/使用更少的内存（尽管使用 .SDcols）。

在某种程度上我很清楚为什么。对于 .I 我们只需要每组一个向量，而对于 .SD 我们需要一个整体 data.table。但我认为通过提供有意义的 .SDcol 参数，我可以加快/节省一些内存。

但是，基准测试表明 .SD 方法的速度慢了大约 60 倍，占用的内存多了 300 倍。当然，一个 4 列 .SD data.table 将需要超过向量大小的 4 倍。但是速度慢了 60 倍，内存增加了 300 倍？有人可以启发我，为什么 .SD 方法会占用如此多的内存并因此慢得多？有什么方法可以加快 .SD 方法的速度，或者是退回到 .I 方法的唯一选择？

数据设置

library(data.table)
## data set up

nr <- 1e6
nc <- 100
grp_perc <- .8
DT <- data.table(ids = sample(paste0("id", 
                                     seq(1, round(grp_perc * nr, 0))),
                              nr, TRUE))
cols <- paste("col", seq(1, nc), sep = "_")
DT[, (cols) := replicate(nc, sample(nr), simplify = FALSE)]

基准测试

results <- bench::mark(.I = DT[DT[, .(row_id = .I[which.min(col_1)]), 
                                  by = ids]$row_id, c("ids", cols[1:3]), with = FALSE],
                       .SD = DT[, .SD[which.min(col_1)], 
                                by = ids, .SDcols = cols[1:3]], 
                       iterations = 1, filter_gc = FALSE)

summary(results)

# A tibble: 2 x 13
  expression     min  median `itr/sec` mem_alloc `gc/sec` n_itr  n_gc total_time result         memory         time   gc       
  <bch:expr> <bch:t> <bch:t>     <dbl> <bch:byt>    <dbl> <int> <dbl>   <bch:tm> <list>         <list>         <list> <list>   
1 .I           2.64s   2.64s   0.378      34.4MB    0         1     0      2.64s <df[,4] [571,~ <df[,3] [1,41~ <bch:~ <tibble ~
2 .SD          2.73m   2.73m   0.00612     9.1GB    0.342     1    56      2.73m <df[,4] [571,~ <df[,3] [2,40~ <bch:~ <tibble ~

Answer 1

这是一种仍然使用 .SD 的更快方法。

DT[DT[, .(col_1 = min(col_1)), by = ids], 
   on = .(ids, col_1), 
   .SD, .SDcols = c("ids", cols[1:3])]

Answer 2

对于此特定示例，这是一种比 .I 更快的方法。请注意，这也会更改您可能不希望的顺序。

DT[order(col_1), .SD[1L], by = ids, .SDcols = cols[1:3]]

正如@Ian Campbell 提到的，这是一个 Github 问题。好消息是有一些优化，其中之一是 .SD[1L]。优化是子集化全部在 C 中完成，这使得它非常快。

这里是基准测试，其中包括@sindri_baldur 的解决方案，但删除了您最初的 .SD 尝试 - 我不想等 3 分钟:)。

# A tibble: 3 x 13
  expression    min median `itr/sec` mem_alloc `gc/sec` n_itr  n_gc total_time
  <bch:expr> <bch:> <bch:>     <dbl> <bch:byt>    <dbl> <int> <dbl>   <bch:tm>
1 .I          4.54s  4.54s    0.220       30MB    0.880     1     4      4.54s
2 self_join  11.32s 11.32s    0.0883    76.3MB    0         1     0     11.32s
3 use_order   3.55s  3.55s    0.282     58.3MB    0         1     0      3.55s

## show that it's equal but re-ordered:
all.equal(DT[DT[, .(row_id = .I[which.min(col_1)]), 
                by = ids]$row_id, c("ids", cols[1:3]), with = FALSE][order(col_1)],
          DT[order(col_1), .SD[1L], by = ids, .SDcols = cols[1:3]])

## [1] TRUE

data.table 使用 .SD 和 by 的性能

data.table performance using .SD with by

r

microbenchmark

data.table