Я изучаю различные способы обернуть функцию агрегирования (но на самом деле это может быть функция любого типа) с использованием data.table (также приведен один пример dplyr), и мне было интересно узнать о лучших методах функционального программирования / метапрограммирования в отношении

производительность (имеет ли значение реализация в отношении потенциальной оптимизации, которую может применить data.table)удобочитаемость (есть ли общепринятый стандарт, например, в большинстве пакетов, использующих data.table)простота обобщения (существуют ли различия в способе метапрограммирования "обобщаемо")

Основное применение заключается в гибком агрегировании таблицы, то есть параметризации переменных для агрегирования, измерений для агрегации, соответствующих итоговых имен переменных для обоих и функции агрегирования. Я реализовал (почти) ту же функцию в трех data.table и один способ dplyr:

fn_dt_agg1 (здесь я не мог понять, как параметризировать функцию агрегирования)fn_dt_agg2 (вдохновлено ответом @jangoreckiВот который он называет «вычисления на языке»)fn_dt_agg3 (вдохновлено ответом @ArunВот который кажется другим подходом метапрограммирования)fn_df_agg1 (мой скромный подход такой же в dplyr)

библиотеки

library(data.table)
library(dplyr)

данные

n_size <- 1*10^6
sample_metrics <- sample(seq(from = 1, to = 100, by = 1), n_size, rep = T)
sample_dimensions <- sample(letters[10:12], n_size, rep = T)
df <- 
  data.frame(
    a = sample_metrics,
    b = sample_metrics,
    c = sample_dimensions,
    d = sample_dimensions,
    x = sample_metrics,
    y = sample_dimensions,
    stringsAsFactors = F)

dt <- as.data.table(df)

реализации

1. fn_dt_agg1

fn_dt_agg1 <- 
  function(dt, metric, metric_name, dimension, dimension_name) {

  temp <- dt[, setNames(lapply(.SD, function(x) {sum(x, na.rm = T)}), 
                        metric_name), 
             keyby = dimension, .SDcols = metric]
  temp[]
}

res_dt1 <- 
  fn_dt_agg1(
    dt = dt, metric = c("a", "b"), metric_name = c("a", "b"),
    dimension = c("c", "d"), dimension_name = c("c", "d"))

2. fn_dt_agg2

fn_dt_agg2 <- 
  function(dt, metric, metric_name, dimension, dimension_name,
           agg_type) {

  j_call = as.call(c(
    as.name("."),
    sapply(setNames(metric, metric_name), 
           function(var) as.call(list(as.name(agg_type), 
                                      as.name(var), na.rm = T)), 
           simplify = F)
    ))

  dt[, eval(j_call), keyby = dimension][]
}

res_dt2 <- 
  fn_dt_agg2(
    dt = dt, metric = c("a", "b"), metric_name = c("a", "b"),
    dimension = c("c", "d"), dimension_name = c("c", "d"),
    agg_type = c("sum"))

all.equal(res_dt1, res_dt2)
#TRUE

3. fn_dt_agg3

fn_dt_agg3 <- 
  function(dt, metric, metric_name, dimension, dimension_name, agg_type) {

  e <- eval(parse(text=paste0("function(x) {", 
                              agg_type, "(", "x, na.rm = T)}"))) 

  temp <- dt[, setNames(lapply(.SD, e), 
                        metric_name), 
             keyby = dimension, .SDcols = metric]
  temp[]
}

res_dt3 <- 
  fn_dt_agg3(
    dt = dt, metric = c("a", "b"), metric_name = c("a", "b"),
    dimension = c("c", "d"), dimension_name = c("c", "d"), 
    agg_type = "sum")

all.equal(res_dt1, res_dt3)
#TRUE

4. fn_df_agg1

fn_df_agg1 <-
  function(df, metric, metric_name, dimension, dimension_name, agg_type) {

    all_vars <- c(dimension, metric)
    all_vars_new <- c(dimension_name, metric_name)
    dots_group <- lapply(dimension, as.name)

    e <- eval(parse(text=paste0("function(x) {", 
                                agg_type, "(", "x, na.rm = T)}")))

    df %>%
      select_(.dots = all_vars) %>%
      group_by_(.dots = dots_group) %>%
      summarise_each_(funs(e), metric) %>%
      rename_(.dots = setNames(all_vars, all_vars_new))
}

res_df1 <- 
  fn_df_agg1(
    df = df, metric = c("a", "b"), metric_name = c("a", "b"),
    dimension = c("c", "d"), dimension_name = c("c", "d"),
    agg_type = "sum")

all.equal(res_dt1, as.data.table(res_df1))
#"Datasets has different keys. 'target': c, d. 'current' has no key."

бенчмаркинг

Просто из любопытства и для своего будущего себя и других заинтересованных сторон я провел тестирование всех 4 реализаций, которое потенциально уже проливает свет на проблему производительности (хотя я не эксперт по бенчмаркингу, поэтому прошу прощения, если я не применял общеизвестный метод) согласованные лучшие практики). Я ожидал, что fn_dt_agg1 будет самым быстрым, поскольку он имеет на один параметр меньше (функция агрегации), но это, похоже, не оказывает значительного влияния. Я также был удивлен относительно медленной функцией dplyr, но это может быть связано с неудачным выбором дизайна с моей стороны.

library(microbenchmark)
bench_res <- 
  microbenchmark(
    fn_dt_agg1 = 
      fn_dt_agg1(
      dt = dt, metric = c("a", "b"), 
      metric_name = c("a", "b"), 
      dimension = c("c", "d"), 
      dimension_name = c("c", "d")), 
    fn_dt_agg2 = 
      fn_dt_agg2(
        dt = dt, metric = c("a", "b"), 
        metric_name = c("a", "b"), 
        dimension = c("c", "d"), 
        dimension_name = c("c", "d"),
        agg_type = c("sum")),
    fn_dt_agg3 =
      fn_dt_agg3(
        dt = dt, metric = c("a", "b"), 
        metric_name = c("a", "b"),
        dimension = c("c", "d"), 
        dimension_name = c("c", "d"),
        agg_type = c("sum")),
    fn_df_agg1 =
      fn_df_agg1(
        df = df, metric = c("a", "b"), metric_name = c("a", "b"),
        dimension = c("c", "d"), dimension_name = c("c", "d"),
        agg_type = "sum"),
    times = 100L)

bench_res

# Unit: milliseconds
#       expr      min       lq     mean   median       uq       max neval
# fn_dt_agg1 28.96324 30.49507 35.60988 32.62860 37.43578 140.32975   100
# fn_dt_agg2 27.51993 28.41329 31.80023 28.93523 33.17064  84.56375   100
# fn_dt_agg3 25.46765 26.04711 30.11860 26.64817 30.28980 153.09715   100
# fn_df_agg1 88.33516 90.23776 97.84826 94.28843 97.97154 172.87838   100

другие источники

Advanced R от Хэдли Уикхем: выраженияAdvanced R от Хэдли Уикхем: функцииОпределение языка CRAN R: вычисления на языкеCRAN Нестандартная оценкаData.table FAQ: Программно передаваемые выражения в jData.table метапрограммированиеR data.table join: SQL выбирает одинаковый синтаксис в соединяемых таблицах?Динамически создать вызов для поиска нескольких столбцовБыстрое назначение data.table нескольких столбцов по группам из поискаКак можно полностью работать в data.table в R с именами столбцов в переменныхИспользование get in lapply, внутри функции