代码之家 › 专栏 › 技术社区 › dnagirl

idata.frame:为什么错误“is.data.frame(df)is not true”?

data.table plyr r performance

dnagirl · 技术社区 · 14 年前

我正在处理一个名为exp的大型数据帧( file here )为了提高性能,建议我从plyr中签出idata.frame()函数。但我想我用错了。

我原来的电话,慢一点,但有效:

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

使用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)

所以,我想,也许这是我的数据。所以我尝试了 baseball 数据集。这个 idata.frame 示例工作正常: dlply(idata.frame(baseball), "id", nrow) 但如果我尝试类似于我想要的呼叫使用 棒球运动 ,不起作用:

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

也许我的错误在于如何指定分组?有人知道如何使我的示例有效吗?

埃塔:

我也尝试过:

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

它使用了一种更快的方法来获取媒体,但给出了不同的错误。我觉得我根本不懂如何使用idata.frame。

2 回复 | 直到 12 年前

mnel 12 年前

考虑到你在处理“大”数据并寻找表现,这似乎非常适合 data.table .

特别是 lapply(.SD,FUN) 和 .SDcols 争论与 by

设置 数据表

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

哪些列是 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]

一些基准

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

Brandon Bertelsen 14 年前

奇怪的行为,但即使在文档中,它也说idata.frame是实验性的。你可能发现了一个虫子。也许您可以重写ddply顶部的检查,即tests is.data.frame()。

在任何情况下,这会减少大约20%的时间(在我的系统上):

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))
)

Shane在另一篇文章中问你是否可以缓存脚本的结果。我对您的工作流程并不了解,但是最好是设置一个chron来运行它,并每天/每小时存储结果。