r programação funcional de tabela de dados / metaprogramação / computação na linguagem
Estou explorando maneiras diferentes de agrupar uma função de agregação (mas realmente poderia ser qualquer tipo de função) usando data.table (um exemplo de dplyr também é fornecido) e estava pensando nas melhores práticas para programação / metaprogramação funcional com relação a
desempenho (a implementação importa em relação à otimização potencial que a tabela de dados pode aplicar)legibilidade (existe um padrão comumente acordado, por exemplo, na maioria dos pacotes que utilizam data.table)facilidade de generalização (existem diferenças na maneira como a metaprogramação é "generalizável")A aplicação básica é agregar uma tabela de maneira flexível, ou seja, parametrizar as variáveis a serem agregadas, as dimensões a serem agregadas, os respectivos nomes de variáveis resultantes de ambos e da função de agregação. Eu implementei (quase) a mesma função em três data.table e uma maneira dplyr:
fn_dt_agg1 (aqui não consegui descobrir como parametrizar a função de agregação)fn_dt_agg2 (inspirado na resposta de @jangoreckiaqui que ele chama de "computação na linguagem")fn_dt_agg3 (inspirado na resposta de @Arunaqui que parece ser outra abordagem da metaprogramação)fn_df_agg1 (minha humilde abordagem do mesmo no dplyr)bibliotecas
library(data.table)
library(dplyr)
dados
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)
implementações
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."
avaliação comparativa
Por curiosidade e para o meu futuro eu e outras partes interessadas, executei uma referência de todas as 4 implementações que potencialmente já lançam luz sobre o problema de desempenho (embora eu não seja um especialista em benchmarking, por favor, desculpe se não me inscrevi em comum) melhores práticas acordadas). Eu esperava que fn_dt_agg1 fosse o mais rápido, pois possui um parâmetro a menos (função de agregação), mas isso não parece ter um impacto considerável. Também fiquei surpreso com a função dplyr relativamente lenta, mas isso pode ser devido a uma má escolha de design do meu lado.
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
outros recursos
Advanced R por Hadley Wickham: ExpressõesAdvanced R por Hadley Wickham: FunçõesDefinição da Linguagem CRAN R: Computando na LinguagemAvaliação não padronizada do CRANData.table FAQ: programaticamente passando expressões em jMetaprogramação Data.tableR junção data.table: SQL seleciona sintaxe semelhante em tabelas unidas?Criar dinamicamente chamada para pesquisa de várias colunasDesignação rápida de data.table de várias colunas por grupo a partir da pesquisaComo alguém pode trabalhar totalmente genericamente em data.table em R com nomes de colunas em variáveisUsando get inside lapply, dentro de uma função