[R-es] Ayuda por data.table.

[Javier Villacampa González]

Hola buenas,

hoy me preguntaban que como convertir todas las mayusculas de todas las
columnas de un data.frame. Buscando soluciones me han surgido multiples
dudas.

 ###########################
Pregunta 1: ¿Cómo funciona := respocto <-?
¿por qué cambia en varios data tables un valor mienstras que el otro no lo
hace?
¿Se puede evitar?
 ###########################

N <- 10 # numero de checks
n <- 10
DF <- data.frame(V1 = sample(x = letters, size = n, replace = T) ,
                 V2 = sample(x = letters, size = n, replace = T) ,
stringsAsFactors = F)


# 1 asginacion clásica ----------------------------------------------------
DT <- DF %>% data.table()
DT2 <- DT
DT2$V1 <- DT2$V1 %>% toupper
DT2
DT  # Todo Ok



# 2 con := ----------------------------------------------------------------
DT <- DF %>% data.table()
DT2 <- DT
DT2[ , V1 := V1 %>% toupper]
DT2
DT  # Cambia ambos ¿Por qué?

 ###########################
Pregunta 2:  Soluciones para convertir todas las columnas a mayusculas
¿Existen otras mejores? ¿Por qué la asignación base sale la mejor cuando
los bucles deberían ser la peor opcion?
###########################

library(dplyr)
library(data.table)
library(microbenchmark)

N <- 100
n <- 10
dt <- data.table(sample(x = letters, size = n, replace = T) ,
                 sample(x = letters, size = n, replace = T) )

# Opcion 1a sapply
sapply(X = dt,FUN =  toupper)

# Opcion 1b lapply
lapply(X = dt,FUN =  toupper) %>% data.frame

# Opcion 1c lapply
apply(X = dt, MARGIN = 2,FUN =  toupper)


#  ------------------------------------------------------------------------

# Opcion 2 data table. Más rapido cuando los conjuntos son grandes

NAMES <- names(dt)
dt2 <-dt

dt[ , (NAMES) := lapply(X = .SD, FUN = toupper), .SDcol = NAMES]

dt <- dt2
# Opcion 3 data table. Más rapido cuando los conjuntos son grandes
dt %>% mutate_each(funs = funs(toupper) )



#  ------------------------------------------------------------------------
# Comparaciones C
N <- 100 # numero de checks
n <- 10e5
DF <- data.frame(V1 = sample(x = letters, size = n, replace = T) ,
                 V2 = sample(x = letters, size = n, replace = T) ,
stringsAsFactors = F)
DT <- data.table(DF)

NAMES <- names(DF)
times <- microbenchmark(
  sapply = DF2 <- sapply(X = DF,FUN =  toupper) ,
  lapply = DF2 <- lapply(X = DF,FUN =  toupper) %>% data.frame,
  apply = DF2 <- apply(X = DF, MARGIN = 2,FUN =  toupper),
  dplyr = DF %>% mutate_each(funs = funs(toupper) )  ,
  data.table =
    DT[ , (NAMES) := lapply(X = .SD, FUN = toupper), .SDcol = NAMES] ,
  basicFOR = {
    for(i in 1: ncol(DF)){
      DF[ , i ] <- DF[ , i ] %>% toupper
    }
  },
  data.tableFOR = {
    for(i in names(DT)){
      DT[ , V1 := V1 %>% toupper]
      DT[ , V2 := V2 %>% toupper]
    }
  },
  times = N, unit = "s")

times %>% print -> times2
times2[ order(times2$median, decreasing = F), ]


# > times2[ order(times2$median, decreasing = F), ]
# expr       min        lq      mean    median        uq       max neval
cld
# 4         dplyr 0.1492257 0.1694823 0.2155098 0.2037122 0.2288146
0.4119565   100 ab
# 6      basicFOR 0.1498588 0.1715156 0.2099023 0.2052561 0.2294035
0.4420238   100 a
# 5    data.table 0.1560987 0.1701567 0.2322289 0.2194231 0.2690364
0.4829464   100 ab
# 2        lapply 0.2239878 0.2565161 0.3288909 0.3034968 0.3578117
0.6619332   100  bc
# 3         apply 0.2396120 0.2809439 0.3578056 0.3280944 0.4196089
0.6453446   100   c
# 7 data.tableFOR 0.3176318 0.3719481 0.4798864 0.4782654 0.5695964
0.8311082   100    d
# 1        sapply 1.2189397 1.4028805 2.1926634 2.4061735 2.6853981
4.8600199   100     e


--

	[[alternative HTML version deleted]]