web-dev-qa-db-ja.com

データフレームのリストを1つのデータフレームに変換する

ある場所で、私が本当に単一のビッグデータフレームに変換したいデータフレームのリストになってしまうコードがあります。

私は 以前の質問 からいくつかのポインタを得ました。

これが私が始めているものの例です(これは実例のために非常に単純化されています):

listOfDataFrames <- vector(mode = "list", length = 100)

for (i in 1:100) {
    listOfDataFrames[[i]] <- data.frame(a=sample(letters, 500, rep=T),
                             b=rnorm(500), c=rnorm(500))
}

私は現在これを使っています:

  df <- do.call("rbind", listOfDataFrames)
277
JD Long

Dplyrパッケージのbind_rows()を使用してください。

bind_rows(list_of_dataframes, .id = "column_label")
58
joeklieg

もう1つの選択肢は、plyr関数を使用することです。

df <- ldply(listOfDataFrames, data.frame)

これは元のものより少し遅くなります。

> system.time({ df <- do.call("rbind", listOfDataFrames) })
   user  system elapsed 
   0.25    0.00    0.25 
> system.time({ df2 <- ldply(listOfDataFrames, data.frame) })
   user  system elapsed 
   0.30    0.00    0.29
> identical(df, df2)
[1] TRUE

(a)data.framesの代わりに行列を使用し、(b)成長するのではなく、事前に行列を割り当てて代入するようなことができないのでない限り、do.call("rbind", ...)を使用するのが最善の方法です。それ。

編集1

Hadleyのコメントに基づいて、これはCRANからのrbind.fillの最新版です:

> system.time({ df3 <- rbind.fill(listOfDataFrames) })
   user  system elapsed 
   0.24    0.00    0.23 
> identical(df, df3)
[1] TRUE

これは、rbindよりも簡単で、わずかに速くなります(これらのタイミングは複数の実行に耐えます)。そして私が理解している限りでは、 githubのplyrのバージョン はこれよりもっと速いです。

180
Shane

完全を期すために、この質問に対する回答には更新が必要だと思いました。 「do.call("rbind", ...)を使うのがあなたが見つける最も速いアプローチになるだろうと私は思います...」それはおそらく2010年5月としばらく後に本当でした、しかし2011年9月頃に新しい関数rbindlistdata.tableパッケージバージョンで導入されました1.8.2、「これはdo.call("rbind",l)と同じですが、はるかに高速です」というコメントがあります。どれくらい速いですか?

library(rbenchmark)
benchmark(
  do.call = do.call("rbind", listOfDataFrames),
  plyr_rbind.fill = plyr::rbind.fill(listOfDataFrames), 
  plyr_ldply = plyr::ldply(listOfDataFrames, data.frame),
  data.table_rbindlist = as.data.frame(data.table::rbindlist(listOfDataFrames)),
  replications = 100, order = "relative", 
  columns=c('test','replications', 'elapsed','relative')
  ) 

                  test replications elapsed relative
4 data.table_rbindlist          100    0.11    1.000
1              do.call          100    9.39   85.364
2      plyr_rbind.fill          100   12.08  109.818
3           plyr_ldply          100   15.14  137.636
98
andrekos

bind-plot

コード:

library(microbenchmark)

dflist <- vector(length=10,mode="list")
for(i in 1:100)
{
  dflist[[i]] <- data.frame(a=runif(n=260),b=runif(n=260),
                            c=rep(LETTERS,10),d=rep(LETTERS,10))
}


mb <- microbenchmark(
plyr::rbind.fill(dflist),
dplyr::bind_rows(dflist),
data.table::rbindlist(dflist),
plyr::ldply(dflist,data.frame),
do.call("rbind",dflist),
times=1000)

ggplot2::autoplot(mb)

セッション:

R version 3.3.0 (2016-05-03)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 7 x64 (build 7601) Service Pack 1

> packageVersion("plyr")
[1] ‘1.8.4’
> packageVersion("dplyr")
[1] ‘0.5.0’
> packageVersion("data.table")
[1] ‘1.9.6’

UPDATE:2018年1月31日に再実行。同じコンピュータ上で走った。パッケージの新しいバージョン種愛好家のための種を追加しました。

enter image description here

set.seed(21)
library(microbenchmark)

dflist <- vector(length=10,mode="list")
for(i in 1:100)
{
  dflist[[i]] <- data.frame(a=runif(n=260),b=runif(n=260),
                            c=rep(LETTERS,10),d=rep(LETTERS,10))
}


mb <- microbenchmark(
  plyr::rbind.fill(dflist),
  dplyr::bind_rows(dflist),
  data.table::rbindlist(dflist),
  plyr::ldply(dflist,data.frame),
  do.call("rbind",dflist),
  times=1000)

ggplot2::autoplot(mb)+theme_bw()


R version 3.4.0 (2017-04-21)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 7 x64 (build 7601) Service Pack 1

> packageVersion("plyr")
[1] ‘1.8.4’
> packageVersion("dplyr")
[1] ‘0.7.2’
> packageVersion("data.table")
[1] ‘1.10.4’
56
rmf

dplyrにもbind_rows(x, ...)があります。

> system.time({ df.Base <- do.call("rbind", listOfDataFrames) })
   user  system elapsed 
   0.08    0.00    0.07 
> 
> system.time({ df.dplyr <- as.data.frame(bind_rows(listOfDataFrames)) })
   user  system elapsed 
   0.01    0.00    0.02 
> 
> identical(df.Base, df.dplyr)
[1] TRUE
46
TheVTM

これを行うことができる別の方法があります(reduceはループの代わりとして見過ごされがちな非常に効果的な機能的ツールであるため、答えにそれを追加するだけです)。

ベースRを使う:

df <- Reduce(rbind, listOfDataFrames)

または、片づけを使用して:

library(tidyverse) # or, library(dplyr); library(purrr)
df <- listOfDataFrames %>% reduce(bind_rows)
13
yeedle

それがどのように片付けられるべきであるか:

df.dplyr.purrr <- listOfDataFrames %>% map_df(bind_rows)
11
Nick

最近の回答を比較したい人のための最新のビジュアル(purrrとdplyrの解決策を比較したい)。基本的に私は@TheVTMと@rmfの答えをまとめました。

enter image description here

コード:

library(microbenchmark)
library(data.table)
library(tidyverse)

dflist <- vector(length=10,mode="list")
for(i in 1:100)
{
  dflist[[i]] <- data.frame(a=runif(n=260),b=runif(n=260),
                            c=rep(LETTERS,10),d=rep(LETTERS,10))
}


mb <- microbenchmark(
  dplyr::bind_rows(dflist),
  data.table::rbindlist(dflist),
  purrr::map_df(dflist, bind_rows),
  do.call("rbind",dflist),
  times=500)

ggplot2::autoplot(mb)

セッション情報:

sessionInfo()
R version 3.4.1 (2017-06-30)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 7 x64 (build 7601) Service Pack 1

パッケージのバージョン

> packageVersion("tidyverse")
[1] ‘1.1.1’
> packageVersion("data.table")
[1] ‘1.10.0’
8
Nova

data.tableの解決策が欠けている唯一のものは、データがリストのどのデータフレームから来たのかを知るためのidentifierカラムです。

このようなもの:

df_id <- data.table::rbindlist(listOfDataFrames, idcol = TRUE)

idcolパラメーターは、リストに含まれるデータフレームの起点を識別する列(.id)を追加します。結果は次のようになります。

.id a         b           c
1   u   -0.05315128 -1.31975849 
1   b   -1.00404849 1.15257952  
1   y   1.17478229  -0.91043925 
1   q   -1.65488899 0.05846295  
1   c   -1.43730524 0.95245909  
1   b   0.56434313  0.93813197  
6
f0nzie