[R-es] función cantidad mayor de valores

[Carlos Ortega]

Hola,

He probado con un par de opciones más, además de la de Jorge y al tiempo he
medido tiempos de ejecución.

Si no lo he entendido mal, si siempre voy a cortar la cadena y quedarme con
los 4 primeros caracteres, pues directamente cojo esos cuatro primeros
caracteres, independientemente de cómo me llegue la cadena. El hacer la
prueba lógica (el "if") ya consume tiempo de ejecución.

#----------------------------------------------
library(randomNames)
library(stringr)
library(data.table)
library(microbenchmark)

nomBres <- randomNames(10000, which.names="first")

#----------
f1 <- function(x=nomBres) { str_sub(nomBres,1,4 ) }
#----------
f2 <- function(x=nomBres) {
    nombresDT <- as.data.table(nomBres)
    nombresDT[, str_sub(nomBres, 1,4)]
}
#----------
g4 <- function(codigo_llega, n_caracteres){
  codigo_llega <- as.character(codigo_llega)
  if(n_caracteres == 6) res <- substr(codigo_llega, start=0, stop=4)
  else res <- codigo_llega
  res
}
g4 <- Vectorize(g4)
#----------

#--------------------
#--------- Simulacion
res <- microbenchmark(
  f1(nomBres)
 ,f2(nomBres)
 ,g4(nomBres,4)
 ,times=1000L
)

print(res)
#--------------------


Los resultados para un conjunto de *10.000 nombres *aleatorios son:

------------------------------------------
Unit: microseconds
           expr       min        lq      mean    median        uq
max neval
    f1(nomBres)   717.028  1006.545  1420.917  1198.032  1629.930
6294.977  1000
    f2(nomBres)  1511.989  2055.613  2820.487  2364.573  3012.253
36416.495  1000
 g4(nomBres, 4) 22899.259 35892.199 45235.071 42691.926 51581.988 247832.551
1000
-----------------------------------------

Y para *100.000 nombres*:

-----------------------------------------
Unit: milliseconds
           expr        min        lq      mean    median        uq
max neval
    f1(nomBres)   8.440287  11.58724  15.36027  13.92592  17.08169
114.66245  1000
    f2(nomBres)   9.869237  13.83940  18.13927  16.42183  20.45015
65.20311  1000
 g4(nomBres, 4) 298.084214 418.46124 492.65566 470.31912 526.37157
2221.56586  1000
-----------------------------------------

No he probado con "dplyr" porque ya por experiencia, es más lento que
data.table.

Saludos,
Carlos Ortega
www.qualityexcellence.es



El 28 de julio de 2015, 18:21, <javier.ruben.marcuzzi en gmail.com> escribió:

>  Estimados
>
> Muchas gracias a ambos, la solución de Daniel Merino funciona, pero como
> el mismo dice debería haber otra forma optimizada, y la de Jorge I Velez
> está optimizada.
>
> Utilizando ambas en mis datos, la de Daniel en media hora no termina de
> procesar, la de Jorge en segundos da un resultado.
>
> Hoy  a la mañana se me ocurrió usar dplyr, posiblemente en ese enfoque
> ambas den resultado en tiempos razonables, pero aún no lo se, tengo que
> intentarlo.
>
> Javier Rubén Marcuzzi
> Técnico en Industrias Lácteas
> Veterinario
>
> *De:* Jorge I Velez <jorgeivanvelez en gmail.com>
> *Enviado el:* ‎martes‎, ‎28‎ de ‎julio‎ de ‎2015 ‎10‎:‎13‎ ‎a.m.
> *Para:* Javier Ruben Marcuzzi <javier.ruben.marcuzzi en gmail.com>
> *CC:* Carlos Ortega <cof en qualityexcellence.es>, Susana deus alvarez
> <susanadeus.deusalvarez en gmail.com>, R-help-es en r-project.org
> <r-help-es en r-project.org>, daniel <daniel319 en gmail.com>
>
> Hola Javier,
>
> Intenta los siguientes cambios
>
> g4 <- function(codigo_llega, n_caracteres){
>   codigo_llega <- as.character(codigo_llega)
>   if(n_caracteres == 6) res <- substr(codigo_llega, start=0, stop=4)
>   else res <- codigo_llega
>   res
> }
> g4 <- Vectorize(g4)
> x <- c('Jorge Velez','Javier Marcuzzi','Daniel Merino','Susana deus
> Alvarez', 'Carlos Ortega')
> g4(x, 6)
> g4(x, 4)
>
> Saludos cordiales,
> Jorge.-
>
>
>
> 2015-07-28 13:08 GMT+10:00 <javier.ruben.marcuzzi en gmail.com>:
>
>> Señores
>>
>>
>>
>> Tengo un problema, donde use distintas alternativas y el informe de error
>> es el mismo.
>>
>>
>>
>> Mi ultima alternativa es una función que copio y pego junto con un
>> ejemplo de uso.
>>
>> > g3 <- function(n_caracteres, codigo_llega){
>> +   if (n_caracteres == 6)
>> +   {
>> +     res <- substr(codigo_llega, start=0, stop=4)
>> +   }
>> +   else
>> +   {
>> +     res <- codigo_llega
>> +   }
>> +   res
>> + }
>> > g3(6,"Javier Marcuzzi")
>> [1] "Javi"
>>
>> Pero cuándo uso los datos reales, el mensaje de error es el siguiente
>> (copio y pego lo último que se ve junto con el mensaje)
>>
>>
>> [9989] QS01EE01 QS01EE02 QS01EE03 QS01EE04 QS01EE05 QS       QS01
>>  QS01E    QS01EX   QS01EX01 QS01EX02
>> [10000] QS
>>  [ reached getOption("max.print") -- omitted 846 entries ]
>> 7148 Levels: QA QA01 QA01A QA01AA QA01AA01 QA01AA02 QA01AA03 QA01AA04
>> QA01AA30 QA01AA51 QA01AB ... QV10XX03
>> Warning message:
>> In if (n_caracteres == 4) { :
>>   the condition has length > 1 and only the first element will be used
>>
>>
>> ¿Alguna idea sobre ese mensaje, aparentemente hasta el elemento 10.000
>> funciona, luego tengo un problema (con la función que envío como con otras
>> alternativas)
>>
>>
>>
>>
>>
>>
>>
>>
>> Javier Rubén Marcuzzi
>> Técnico en Industrias Lácteas
>> Veterinario
>>         [[alternative HTML version deleted]]
>>
>> _______________________________________________
>> R-help-es mailing list
>> R-help-es en r-project.org
>> https://stat.ethz.ch/mailman/listinfo/r-help-es
>>
>
>


-- 
Saludos,
Carlos Ortega
www.qualityexcellence.es

	[[alternative HTML version deleted]]