首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >加速write.table的性能

加速write.table的性能
EN

Stack Overflow用户
提问于 2012-05-09 03:59:31
回答 6查看 20.9K关注 0票数 46

我有一个data.frame,我想把它写出来。我的data.frame的尺寸是256x65536列。write.csv有哪些速度更快的替代方案

EN

回答 6

Stack Overflow用户

回答已采纳

发布于 2012-05-09 04:19:59

如果所有列都属于同一类,则在写出之前转换为矩阵,可提供近6倍的速度。此外,您还可以从MASS包中研究如何使用write.matrix(),尽管在本例中并没有证明它更快。也许我没有正确设置一些东西:

代码语言:javascript
复制
#Fake data
m <- matrix(runif(256*65536), nrow = 256)
#AS a data.frame
system.time(write.csv(as.data.frame(m), "dataframe.csv"))
#----------
#   user  system elapsed 
# 319.53   13.65  333.76 

#As a matrix
system.time(write.csv(m, "matrix.csv"))
#----------
#   user  system elapsed 
#  52.43    0.88   53.59 

#Using write.matrix()
require(MASS)
system.time(write.matrix(m, "writematrix.csv"))
#----------
#   user  system elapsed 
# 113.58   59.12  172.75 

编辑

为了解决下面提出的上述结果对data.frame不公平的问题,这里有一些更多的结果和时间,以表明总体消息仍然是“如果可能,将您的数据对象转换为矩阵。如果不可能,请处理它。或者,如果时间非常重要,请重新考虑为什么需要以CSV格式写出200MB+文件”:

代码语言:javascript
复制
#This is a data.frame
m2 <- as.data.frame(matrix(runif(256*65536), nrow = 256))
#This is still 6x slower
system.time(write.csv(m2, "dataframe.csv"))
#   user  system elapsed 
# 317.85   13.95  332.44
#This even includes the overhead in converting to as.matrix in the timing 
system.time(write.csv(as.matrix(m2), "asmatrix.csv"))
#   user  system elapsed 
#  53.67    0.92   54.67 

所以,没有什么真正的改变。要确认这是合理的,请考虑as.data.frame()的相对时间成本

代码语言:javascript
复制
m3 <- as.matrix(m2)
system.time(as.data.frame(m3))
#   user  system elapsed 
#   0.77    0.00    0.77 

所以,并不像下面的评论所相信的那样,这真的是一个大问题或歪曲信息。如果您仍然不相信在大型data.frames上使用write.csv()是一个性能方面的坏主意,请参考Note下面的手册

代码语言:javascript
复制
write.table can be slow for data frames with large numbers (hundreds or more) of
columns: this is inevitable as each column could be of a different class and so must be
handled separately. If they are all of the same class, consider using a matrix instead.

最后,如果您仍然因为更快地保存东西而失眠,请考虑转移到本机RData对象

代码语言:javascript
复制
system.time(save(m2, file = "thisisfast.RData"))
#   user  system elapsed 
#  21.67    0.12   21.81
票数 27
EN

Stack Overflow用户

发布于 2016-04-07 10:11:04

data.table::fwrite()由Otto Seiskari贡献,并在1.9.8+版本中可用。Matt在top上做了额外的增强(包括并行化),并写了关于它的an article。请在tracker上报告任何问题。

首先,这里是与上面的@chase使用的相同维度的比较(例如,非常大量的列:65,000列(!) x 256行),以及fwritewrite_feather,这样我们就有了一些跨机器的一致性。注意compress=FALSE在base R中产生的巨大差异。

代码语言:javascript
复制
# -----------------------------------------------------------------------------
# function  | object type |  output type | compress= | Runtime | File size |
# -----------------------------------------------------------------------------
# save      |      matrix |    binary    |   FALSE   |    0.3s |    134MB  |
# save      |  data.frame |    binary    |   FALSE   |    0.4s |    135MB  |
# feather   |  data.frame |    binary    |   FALSE   |    0.4s |    139MB  |
# fwrite    |  data.table |    csv       |   FALSE   |    1.0s |    302MB  |
# save      |      matrix |    binary    |   TRUE    |   17.9s |     89MB  |
# save      |  data.frame |    binary    |   TRUE    |   18.1s |     89MB  |
# write.csv |      matrix |    csv       |   FALSE   |   21.7s |    302MB  |
# write.csv |  data.frame |    csv       |   FALSE   |  121.3s |    302MB  |

注意,fwrite()是并行运行的。这里显示的时序是在13英寸的Macbook Pro上,具有2个内核和1个线程/内核(+2个虚拟线程通过超线程),512 L4固态硬盘,256KB/内核L2缓存和4MB L4缓存。根据您的系统规格,可以选择YMMV。

我还在相对更可能(也更大)的data上重新运行了基准测试

代码语言:javascript
复制
library(data.table)
NN <- 5e6 # at this number of rows, the .csv output is ~800Mb on my machine
set.seed(51423)
DT <- data.table(
  str1 = sample(sprintf("%010d",1:NN)), #ID field 1
  str2 = sample(sprintf("%09d",1:NN)),  #ID field 2
  # varying length string field--think names/addresses, etc.
  str3 = replicate(NN,paste0(sample(LETTERS,sample(10:30,1),T), collapse="")),
  # factor-like string field with 50 "levels"
  str4 = sprintf("%05d",sample(sample(1e5,50),NN,T)),
  # factor-like string field with 17 levels, varying length
  str5 = sample(replicate(17,paste0(sample(LETTERS, sample(15:25,1),T),
      collapse="")),NN,T),
  # lognormally distributed numeric
  num1 = round(exp(rnorm(NN,mean=6.5,sd=1.5)),2),
  # 3 binary strings
  str6 = sample(c("Y","N"),NN,T),
  str7 = sample(c("M","F"),NN,T),
  str8 = sample(c("B","W"),NN,T),
  # right-skewed (integer type)
  int1 = as.integer(ceiling(rexp(NN))),
  num2 = round(exp(rnorm(NN,mean=6,sd=1.5)),2),
  # lognormal numeric that can be positive or negative
  num3 = (-1)^sample(2,NN,T)*round(exp(rnorm(NN,mean=6,sd=1.5)),2))

# -------------------------------------------------------------------------------
# function  |   object   | out |        other args         | Runtime  | File size |
# -------------------------------------------------------------------------------
# fwrite    | data.table | csv |      quote = FALSE        |   1.7s   |  523.2MB  |
# fwrite    | data.frame | csv |      quote = FALSE        |   1.7s   |  523.2MB  |
# feather   | data.frame | bin |     no compression        |   3.3s   |  635.3MB  |
# save      | data.frame | bin |     compress = FALSE      |  12.0s   |  795.3MB  |
# write.csv | data.frame | csv |    row.names = FALSE      |  28.7s   |  493.7MB  |
# save      | data.frame | bin |     compress = TRUE       |  48.1s   |  190.3MB  |
# -------------------------------------------------------------------------------

因此,在此测试中,fwritefeather快约2倍。这是在上面提到的同一台机器上运行的,fwrite在2个内核上并行运行。

feather似乎也是非常快的二进制格式,但还没有压缩。

这里尝试展示fwrite在规模方面的比较:

注意:基准测试已经通过使用compress = FALSE运行base R的save()进行了更新(因为羽化也是未压缩的)。

因此,在所有这些数据上,fwrite是最快的(在2个内核上运行),而且它还创建了一个.csv,可以轻松地查看、检查和传递到grepsed等。

用于再现的代码:

代码语言:javascript
复制
require(data.table)
require(microbenchmark)
require(feather)
ns <- as.integer(10^seq(2, 6, length.out = 25))
DTn <- function(nn)
    data.table(
          str1 = sample(sprintf("%010d",1:nn)),
          str2 = sample(sprintf("%09d",1:nn)),
          str3 = replicate(nn,paste0(sample(LETTERS,sample(10:30,1),T), collapse="")),
          str4 = sprintf("%05d",sample(sample(1e5,50),nn,T)),
          str5 = sample(replicate(17,paste0(sample(LETTERS, sample(15:25,1),T), collapse="")),nn,T),
          num1 = round(exp(rnorm(nn,mean=6.5,sd=1.5)),2),
          str6 = sample(c("Y","N"),nn,T),
          str7 = sample(c("M","F"),nn,T),
          str8 = sample(c("B","W"),nn,T),
          int1 = as.integer(ceiling(rexp(nn))),
          num2 = round(exp(rnorm(nn,mean=6,sd=1.5)),2),
          num3 = (-1)^sample(2,nn,T)*round(exp(rnorm(nn,mean=6,sd=1.5)),2))

count <- data.table(n = ns,
                    c = c(rep(1000, 12),
                          rep(100, 6),
                          rep(10, 7)))

mbs <- lapply(ns, function(nn){
  print(nn)
  set.seed(51423)
  DT <- DTn(nn)
  microbenchmark(times = count[n==nn,c],
               write.csv=write.csv(DT, "writecsv.csv", quote=FALSE, row.names=FALSE),
               save=save(DT, file = "save.RData", compress=FALSE),
               fwrite=fwrite(DT, "fwrite_turbo.csv", quote=FALSE, sep=","),
               feather=write_feather(DT, "feather.feather"))})

png("microbenchmark.png", height=600, width=600)
par(las=2, oma = c(1, 0, 0, 0))
matplot(ns, t(sapply(mbs, function(x) {
  y <- summary(x)[,"median"]
  y/y[3]})),
  main = "Relative Speed of fwrite (turbo) vs. rest",
  xlab = "", ylab = "Time Relative to fwrite (turbo)",
  type = "l", lty = 1, lwd = 2, 
  col = c("red", "blue", "black", "magenta"), xaxt = "n", 
  ylim=c(0,25), xlim=c(0, max(ns)))
axis(1, at = ns, labels = prettyNum(ns, ","))
mtext("# Rows", side = 1, las = 1, line = 5)
legend("right", lty = 1, lwd = 3, 
       legend = c("write.csv", "save", "feather"),
       col = c("red", "blue", "magenta"))
dev.off()
票数 74
EN

Stack Overflow用户

发布于 2016-04-08 02:26:05

另一种选择是使用feather文件格式。

代码语言:javascript
复制
df <- as.data.frame(matrix(runif(256*65536), nrow = 256))

system.time(feather::write_feather(df, "df.feather"))
#>   user  system elapsed 
#>  0.237   0.355   0.617 

Feather是一种二进制文件格式,其读写效率非常高。它被设计用于多种语言:目前有R和python客户端,julia客户端正在开发中。

为了便于比较,下面是saveRDS所需的时间:

代码语言:javascript
复制
system.time(saveRDS(df, "df.rds"))
#>   user  system elapsed 
#> 17.363   0.307  17.856

现在,这是一个有点不公平的比较,因为saveRDS的默认设置是压缩数据,而这里的数据是不可压缩的,因为它是完全随机的。关闭压缩会显著提高saveRDS的速度:

代码语言:javascript
复制
system.time(saveRDS(df, "df.rds", compress = FALSE))
#>   user  system elapsed 
#>  0.181   0.247   0.473     

事实上,它现在比羽毛稍微快一点。那么为什么要使用羽毛呢?嗯,它通常比readRDS()快,而且与读取数据的次数相比,通常写入数据的次数相对较少。

代码语言:javascript
复制
system.time(readRDS("df.rds"))
#>   user  system elapsed 
#>  0.198   0.090   0.287 

system.time(feather::read_feather("df.feather"))
#>   user  system elapsed 
#>  0.125   0.060   0.185 
票数 12
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/10505605

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档