Perché il film è così lento?

Question

Penso che sto usando plyr in modo errato. Qualcuno potrebbe dirmi se questo è un codice plyr 'efficiente'?

require(plyr) 
plyr <- function(dd) ddply(dd, .(price), summarise, ss=sum(volume)) 

Un po 'di contesto: ho un paio di problemi di grande aggregazione e ho notato che erano ognuno prendendo po' di tempo. Nel tentativo di risolvere i problemi, mi sono interessato allo svolgimento delle varie procedure di aggregazione in R.

Ho provato alcuni metodi di aggregazione e mi sono trovato ad aspettare tutto il giorno.

Quando finalmente ho ottenuto risultati, ho scoperto un enorme divario tra il metodo plyr e gli altri - il che mi fa pensare che ho fatto qualcosa di sbagliato.

Ho eseguito il seguente codice (ho pensato di controllare il nuovo pacchetto di dataframe mentre ero a lui):

require(plyr) 
require(data.table) 
require(dataframe) 
require(rbenchmark) 
require(xts) 

plyr <- function(dd) ddply(dd, .(price), summarise, ss=sum(volume)) 
t.apply <- function(dd) unlist(tapply(dd$volume, dd$price, sum)) 
t.apply.x <- function(dd) unlist(tapply(dd[,2], dd[,1], sum)) 
l.apply <- function(dd) unlist(lapply(split(dd$volume, dd$price), sum)) 
l.apply.x <- function(dd) unlist(lapply(split(dd[,2], dd[,1]), sum)) 
b.y <- function(dd) unlist(by(dd$volume, dd$price, sum)) 
b.y.x <- function(dd) unlist(by(dd[,2], dd[,1], sum)) 
agg <- function(dd) aggregate(dd$volume, list(dd$price), sum) 
agg.x <- function(dd) aggregate(dd[,2], list(dd[,1]), sum) 
dtd <- function(dd) dd[, sum(volume), by=(price)] 

obs <- c(5e1, 5e2, 5e3, 5e4, 5e5, 5e6, 5e6, 5e7, 5e8) 
timS <- timeBasedSeq('20110101 083000/20120101 083000') 

bmkRL <- list(NULL) 

for (i in 1:5){ 
    tt <- timS[1:obs[i]] 

    for (j in 1:8){ 
    pxl <- seq(0.9, 1.1, by= (1.1 - 0.9)/floor(obs[i]/(11-j))) 
    px <- sample(pxl, length(tt), replace=TRUE) 
    vol <- rnorm(length(tt), 1000, 100) 

    d.df <- base::data.frame(time=tt, price=px, volume=vol) 
    d.dfp <- dataframe::data.frame(time=tt, price=px, volume=vol) 
    d.matrix <- as.matrix(d.df[,-1]) 
    d.dt <- data.table(d.df) 

    listLabel <- paste('i=',i, 'j=',j) 

    bmkRL[[listLabel]] <- benchmark(plyr(d.df), plyr(d.dfp), t.apply(d.df),  
         t.apply(d.dfp), t.apply.x(d.matrix), 
         l.apply(d.df), l.apply(d.dfp), l.apply.x(d.matrix), 
         b.y(d.df), b.y(d.dfp), b.y.x(d.matrix), agg(d.df), 
         agg(d.dfp), agg.x(d.matrix), dtd(d.dt), 
      columns =c('test', 'elapsed', 'relative'), 
      replications = 10, 
      order = 'elapsed') 
    } 
} 

Il test è stato supposto per controllare fino a 5E8, ma ci sono voluti troppo a lungo - principalmente a causa di plyr. Il 5e5 la tabella finale mostra il problema:

$`i= 5 j= 8` 
        test elapsed relative 
15   dtd(d.dt) 4.156 1.000000 
6  l.apply(d.df) 15.687 3.774543 
7  l.apply(d.dfp) 16.066 3.865736 
8 l.apply.x(d.matrix) 16.659 4.008422 
4  t.apply(d.dfp) 21.387 5.146054 
3  t.apply(d.df) 21.488 5.170356 
5 t.apply.x(d.matrix) 22.014 5.296920 
13   agg(d.dfp) 32.254 7.760828 
14  agg.x(d.matrix) 32.435 7.804379 
12   agg(d.df) 32.593 7.842397 
10   b.y(d.dfp) 98.006 23.581809 
11  b.y.x(d.matrix) 98.134 23.612608 
9   b.y(d.df) 98.337 23.661453 
1   plyr(d.df) 9384.135 2257.972810 
2   plyr(d.dfp) 9384.448 2258.048123 

È giusto? Perché plyr 2250x è più lento di data.table? E perché non usare il nuovo pacchetto di frame dati fa la differenza?

Le informazioni di sessione è:

> sessionInfo() 
R version 2.15.1 (2012-06-22) 
Platform: x86_64-apple-darwin9.8.0/x86_64 (64-bit) 

locale: 
[1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8 

attached base packages: 
[1] stats  graphics grDevices utils  datasets methods base  

other attached packages: 
[1] xts_0.8-6  zoo_1.7-7  rbenchmark_0.3 dataframe_2.5 data.table_1.8.1  plyr_1.7.1  

loaded via a namespace (and not attached): 
[1] grid_2.15.1 lattice_0.20-6 tools_2.15.1 

Answer 1

Perché è così lento? Un po 'di ricerca trova un post gruppo di posta da un agosto 2011 in cui @hadley, il pacchetto autore, states

Questo è un inconveniente del modo in cui ddply lavora sempre con dati cornici. Sarà un po 'più veloce se si utilizza il riepilogo invece di data.frame (perché data.frame è molto lento), ma sto ancora pensando a su come superare questa limitazione fondamentale dell'approccio ddply .

---

Come per essere efficiente codice plyr Non lo sapevo neanche. Dopo una serie di test param e benchmark sembra che possiamo fare di meglio.

Il summarize() nel comando è una funzione di supporto semplice, pura e semplice. Possiamo sostituirlo con la nostra funzione di somma poiché non sta aiutando con qualcosa che non è già semplice e gli argomenti .data e .(price) possono essere resi più espliciti. Il risultato è

ddply(dd[, 2:3], ~price, function(x) sum(x$volume)) 

Il summarize può sembrare bello, ma semplicemente non è più veloce di una semplice chiamata di funzione. Ha senso; basta guardare la nostra piccola funzione rispetto allo code per summarize. Eseguendo i benchmark con la formula riveduta si ottiene un guadagno notevole. Non prendere ciò per dire che hai usato plyr in modo errato, non è così, non è efficiente; niente che tu possa fare con esso lo renderà veloce come altre opzioni.

A mio parere la funzione ottimizzata puzza ancora in quanto non è chiara e deve essere analizzata mentalmente con ancora ridicolmente lento rispetto a data.table (anche con un guadagno del 60%).

---

Nella stessa thread cui sopra, anche la lentezza di plyr, un progetto plyr2 è menzionato. Dal momento della risposta originale alla domanda l'autore plyr ha rilasciato dplyr come successore di plyr. Sebbene sia plyr che dplyr siano etichettati come strumenti di manipolazione dei dati e il vostro interesse principale dichiarato è l'aggregazione, potreste comunque essere interessati ai vostri risultati di benchmark del nuovo pacchetto per il confronto poiché ha un backend rielaborato per migliorare le prestazioni.

plyr_Original <- function(dd) ddply(dd, .(price), summarise, ss=sum(volume)) 
plyr_Optimized <- function(dd) ddply(dd[, 2:3], ~price, function(x) sum(x$volume)) 

dplyr <- function(dd) dd %.% group_by(price) %.% summarize(sum(volume))  

data_table <- function(dd) dd[, sum(volume), keyby=price] 

_{^{Il pacchetto dataframe è stato rimosso dal CRAN e successivamente dai test, insieme con le versioni funzione di matrice.}}

Ecco i risultati dei benchmark i=5, j=8:

$`obs= 500,000 unique prices= 158,286 reps= 5` 
        test elapsed relative 
9  data_table(d.dt) 0.074 1.000 
4   dplyr(d.dt) 0.133 1.797 
3   dplyr(d.df) 1.832 24.757 
6  l.apply(d.df) 5.049 68.230 
5  t.apply(d.df) 8.078 109.162 
8   agg(d.df) 11.822 159.757 
7   b.y(d.df) 48.569 656.338 
2 plyr_Optimized(d.df) 148.030 2000.405 
1 plyr_Original(d.df) 401.890 5430.946 

Non c'è dubbio che l'ottimizzazione ha aiutato un po '. Dai un'occhiata alle funzioni d.df; semplicemente non possono competere.

Per una piccola prospettiva sulla lentezza della struttura data.frame qui ci sono micro-benchmark dei tempi di aggregazione di data_table e dplyr utilizzando un set di dati di test più grande (i=8,j=8).

$`obs= 50,000,000 unique prices= 15,836,476 reps= 5` 
Unit: seconds 
      expr min  lq median  uq max neval 
data_table(d.dt) 1.190 1.193 1.198 1.460 1.574 10 
     dplyr(d.dt) 2.346 2.434 2.542 2.942 9.856 10 
     dplyr(d.df) 66.238 66.688 67.436 69.226 86.641 10 

Il data.frame è ancora lasciato nella polvere. Non solo, ma ecco lo system.time trascorso per popolare le strutture di dati con i dati del test:

`d.df` (data.frame) 3.181 seconds. 
`d.dt` (data.table) 0.418 seconds. 

Sia la creazione e l'aggregazione del data.frame è più lento di quello del data.table.

Lavorare con il data.frame in R è più lento di alcune alternative, ma come i benchmark mostrano il costruito nelle funzioni di R plyr saltare fuori dall'acqua. Anche la gestione di data.frame come fa dplyr, che migliora con i built-in, non fornisce una velocità ottimale; dove data.table è più veloce sia nella creazione e aggregazione e data.table fa quello che fa mentre lavora con/su data.frames.

Alla fine ...

Plyr è lento a causa del modo esso funziona con e gestisce la manipolazione data.frame.

[punt: vedere i commenti alla domanda iniziale].

---

## R version 3.0.2 (2013-09-25) 
## Platform: x86_64-pc-linux-gnu (64-bit) 
## 
## attached base packages: 
## [1] stats  graphics grDevices utils  datasets methods base  
## 
## other attached packages: 
## [1] microbenchmark_1.3-0 rbenchmark_1.0.0  xts_0.9-7   
## [4] zoo_1.7-11   data.table_1.9.2  dplyr_0.1.2   
## [7] plyr_1.8.1   knitr_1.5.22   
## 
## loaded via a namespace (and not attached): 
## [1] assertthat_0.1 evaluate_0.5.2 formatR_0.10.4 grid_3.0.2  
## [5] lattice_0.20-27 Rcpp_0.11.0  reshape2_1.2.2 stringr_0.6.2 
## [9] tools_3.0.2 

_{^{Data-Generating gist .rmd}}