full_join
from dlpyr
程序包比merge
要快一些。再现的例子如下:
> set.seed(123)
> library(dplyr)
> d = data.frame(id=1:100,Pos=1:100,val1=runif(100))
> f1 = d[sample(100,80),]
> f2 = d[sample(100,80),]
> f3 = d[sample(100,80),]
> names(f2)[3]="val2"
> names(f3)[3]="val3"
> head(f1)
id Pos val1
60 60 60 0.3744628
33 33 33 0.6907053
48 48 48 0.4659625
93 93 93 0.3435165
47 47 47 0.2330341
85 85 85 0.1028646
> head(f2)
id Pos val2
84 84 84 0.7881958
31 31 31 0.9630242
70 70 70 0.4398317
26 26 26 0.7085305
58 58 58 0.7533079
同样地,对于f3
。
要使用dplyr
做合并,它的:
> jd = Reduce(full_join, list(f1,f2,f3))
Joining, by = c("id", "Pos")
Joining, by = c("id", "Pos")
,并提供:
> head(jd %>% arrange(id))
id Pos val1 val2 val3
1 1 1 0.2875775 NA 0.2875775
2 2 2 NA NA 0.7883051
3 3 3 NA 0.4089769 0.4089769
4 4 4 NA 0.8830174 0.8830174
5 5 5 0.9404673 0.9404673 0.9404673
6 6 6 0.0455565 NA 0.0455565
这是一样的:
> head(Reduce(function(df1,df2) merge(df1,df2,by=c("id", "Pos"),all=T),list(f1,f2,f3)))
id Pos val1 val2 val3
1 1 1 0.2875775 NA 0.2875775
2 2 2 NA NA 0.7883051
3 3 3 NA 0.4089769 0.4089769
4 4 4 NA 0.8830174 0.8830174
5 5 5 0.9404673 0.9404673 0.9404673
6 6 6 0.0455565 NA 0.0455565
除了不id
排序(因此arrange
)。
为基准,首先我们需要一个full_join
包装函数指定的列,这样,当我们的基准它,它不花所有的时间尖叫消息:
> fj = function(a,b){full_join(a,b,by=c("id","Pos"))}
现在,我们可以运行后的基准使用library(microbenchmark)
:
> microbenchmark(Reduce(fj,list(f1,f2,f3)),Reduce(function(df1,df2) merge(df1,df2,by=c("id", "Pos"),all=T),list(f1,f2,f3)))
Unit: microseconds
expr
Reduce(fj, list(f1, f2, f3))
Reduce(function(df1, df2) merge(df1, df2, by = c("id", "Pos"), all = T), list(f1, f2, f3))
min lq mean median uq max neval
860.491 901.746 1108.901 936.0205 1016.623 6951.609 100
3133.837 3245.754 4092.630 3291.7825 3616.122 15828.191 100
你的实际加速(或减速)可能取决于您如何匹配是稀疏,有多少行,列,数据帧等。
你从'dplyr'包中检查过'full_join'吗? – Aramis7d
这有点不清楚。你想要结合多个CSV文件(数据帧),它们有id,positionX和其他数据。还有其他什么数据如果两个以上的csv文件具有相同的id,positionX变量?输出数据中会有多少个变量?你只是想从长格式转换为宽格式吗?显示一些示例输入和输出。 – Spacedman
@Spacedman我希望这很清楚。 – Jamil