Por que o uso de dplyr pipe (%>%) é mais lento que uma expressão equivalente não-pipe, para alta cardinalidade, agrupar por?
Eu pensei que, de um modo geral, usando%>%
não teria um efeito perceptível na velocidade. Mas neste caso, ele roda 4x mais devagar.
library(dplyr)
library(microbenchmark)
set.seed(0)
dummy_data <- dplyr::data_frame(
id=floor(runif(100000, 1, 100000))
, label=floor(runif(100000, 1, 4))
)
microbenchmark(dummy_data %>% group_by(id) %>% summarise(list(unique(label))))
microbenchmark(dummy_data %>% group_by(id) %>% summarise(label %>% unique %>% list))
Sem tubo:
min lq mean median uq max neval
1.691441 1.739436 1.841157 1.812778 1.880713 2.495853 100
Com tubo:
min lq mean median uq max neval
6.753999 6.969573 7.167802 7.052744 7.195204 8.833322 100
Porque é%>%
muito mais lento nessa situação? Existe uma maneira melhor de escrever isso?