我怎样才能让它更快？我需要 dplyr 吗？答案

【问题标题】：How can I make this faster? Do I need dplyr?我怎样才能让它更快？我需要 dplyr 吗？
【发布时间】：2017-08-21 21:58:23
【问题描述】：

如果没有好的大数据包，我无法执行此示例。我提供了一个简单的示例，但实际上我是针对具有超过 400 万行和 150 列的表执行此操作的。

library(stringr)
a<-c(1,"1_2_3_1_2_3_1")
b<-c(1,"2_2_2_3_3_3_3")
c<-c(1,"3_3_3_3_3_3_3")
df<-rbind(a,b,c)

m1<-str_split_fixed(df[,2], "_", 7)

a<-list()
for(i in 1:nrow(m1)){
  a[[i]]<-sort(unique(m1[i,]))
  df[i,2]<-paste(a[[i]],collapse=" ")}

我怎样才能使这更快？我知道 dplyr 可以帮助我，但我发现只是根据行而不是列删除的建议。

预期的结果是 df。情况是我需要删除 df [,1] 的重复状态才能返回 df [,1] 的唯一状态。在我的真实情况下，我的状态是文字而不是数字

提前致谢

【问题讨论】：

请解释您期望的结果并提供您的 3 行示例的预期结果。 c<-c(1,"3_3_3_3_3_3_3") 返回一个字符向量，df<-rbind(a,b,c) 创建一个字符矩阵。
所以这个，df[,2] <- sapply(strsplit(df[,2], '_'), function(i) paste0(unique(i), collapse = '_'))?
@Sotos 更改为 collapse = " " 并将其作为答案发布，以便将问题标记为已回答。
预期结果是df。情况是我需要删除 df [,1] 的重复状态才能返回 df [,1] 的唯一状态。在我的真实情况下，我的状态是文字而不是数字

标签： r dplyr

【解决方案1】：

执行此操作的更 R-ish 方式（而不是使用 for 循环）是在拆分变量后直接在变量上使用 sapply。

df[,2] <- sapply(strsplit(df[,2], '_'), function(i) paste0(unique(i), collapse = '_'))

给出，

  [,1] [,2]   
a "1"  "1_2_3"
b "1"  "2_3"  
c "1"  "3"

将这两种解决方案与microbenchmark 进行比较得出：

Unit: microseconds
      expr  min     lq      mean     median  uq      max      neval
      sotos 106.635 112.794 116.3727 115.489 119.338 229.822  1000
      op    275.632 283.716 288.9455 288.336 292.185 440.010  1000

【讨论】：

感谢您的编辑。这是更大数据框的基准吗？
是的。我制作了一个更大的数据框，如下所示：df <- do.call("rbind", replicate(10, df, simplify = FALSE))