[R-es] Ayuda por data.table.

[Carlos Ortega]

Hola Javier,

varias orientaciones:

   - La asignación "DT2 <- DT" no es la forma de compiar un data.table.
      - Para copiar data.tables, existe una función específica para ello
      "copy()". Mira la ayuda de la función para más aclaraciones.
   - En cuanto al rendimiento de data.table respecto a la función básica
   para cambiar a mayúsculas, haría la prueba sin la asignación de "%>%".
   - Sí, la aplicas en los dos casos por lo que no debiera de afectar, pero
      no lo tengo tan claro en el caso de data.table. No he hecho la prueba, es
      una sospecha. Puedes aplicar directamente la función "toupper()" a la
      columna.
      - También en data.table, prueba a crear "setkey()" sobre la columna
      que vas a modificar (V1) antes de hacer el cambio, también creo
que ayudará.


Saludos,
Carlos Ortega
www.qualityexcellence.es

El 1 de octubre de 2015, 16:05, Javier Villacampa González <
javier.villacampa.gonzalez en gmail.com> escribió:

> 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]]
>
> _______________________________________________
> 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]]