Question

我想确定一个大型data.table的列类。

colClasses <- sapply(DT, FUN=function(x)class(x)[1])

有效，但显然本地副本存储在内存中：

> memory.size()
[1] 687.59
> colClasses <- sapply(DT, class)
> memory.size()
[1] 1346.21

循环似乎不可能，因为data.table“with = FALSE”总是会产生data.table。

一种快速而又非常脏的方法是：

DT1 <- DT[1, ]
colClasses <- sapply(DT1, FUN=function(x)class(x)[1])

最优雅，最有效的方法是什么？

Answer 1

进行了简要调查，看起来像是data.table错误。

> DT = data.table(a=1:1e6,b=1:1e6,c=1:1e6,d=1:1e6)
> Rprofmem()
> sapply(DT,class)
        a         b         c         d 
"integer" "integer" "integer" "integer" 
> Rprofmem(NULL)
> noquote(readLines("Rprofmem.out"))
[1] 4000040 :"as.list.data.table" "as.list" "lapply" "sapply"       
[2] 4000040 :"as.list.data.table" "as.list" "lapply" "sapply" 
[3] 4000040 :"as.list.data.table" "as.list" "lapply" "sapply"   
[4] 4000040 :"as.list.data.table" "as.list" "lapply" "sapply" 

> tracemem(DT)
> sapply(DT,class)
tracemem[000000000431A290 -> 00000000065D70D8]: as.list.data.table as.list lapply sapply 
        a         b         c         d 
"integer" "integer" "integer" "integer"

所以，看as.list.data.table：

> data.table:::as.list.data.table
function (x, ...) 
{
    ans <- unclass(x)
    setattr(ans, "row.names", NULL)
    setattr(ans, "sorted", NULL)
    setattr(ans, ".internal.selfref", NULL)
    ans
}
<environment: namespace:data.table>
>

请注意第一行中令人讨厌的unclass。 ?unclass确认它需要深入了解其论点。从这个快速看看它似乎没有sapply或lapply进行复制（我没有想到他们做了，因为R擅长写拷贝，那些不是写作，而是as.list中的lapply（发送给as.list.data.table）。

因此，如果我们避开unclass，它应该加速。试试吧：

> DT = data.table(a=1:1e7,b=1:1e7,c=1:1e7,d=1:1e7)
> system.time(sapply(DT,class))
   user  system elapsed 
   0.28    0.06    0.35 
> system.time(sapply(DT,class))  # repeat timing a few times and take minimum
   user  system elapsed 
   0.17    0.00    0.17 
> system.time(sapply(DT,class))
   user  system elapsed 
   0.13    0.04    0.18 
> system.time(sapply(DT,class))
   user  system elapsed 
   0.14    0.03    0.17 
> assignInNamespace("as.list.data.table",function(x)x,"data.table")
> data.table:::as.list.data.table
function(x)x
> system.time(sapply(DT,class))
   user  system elapsed 
      0       0       0 
> system.time(sapply(DT,class))
   user  system elapsed 
   0.01    0.00    0.02 
> system.time(sapply(DT,class))
   user  system elapsed 
      0       0       0 
> sapply(DT,class)
        a         b         c         d 
"integer" "integer" "integer" "integer" 
>

所以，是的，无限更好。

我已经提出bug report #2000来移除as.list.data.table方法，因为data.table is()已经是list。这实际上可能会加速很多习语，例如lapply(.SD,...)。 [编辑：这在v1.8.1中得到修复]。

感谢您提出这个问题!!

Answer 2

我认为像这样的方法没有任何问题

colClasses <- sapply(head(DT1,1), FUN=class)

它基本上是你的快速解决方案，但也许更清晰（即使不是那么多）......

R：循环遍历data.table中的列

2 个答案: