r data.table функциональное программирование / метапрограммирование / вычисления на языке
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