Почему переназначение нового имени в dataframe в dplyr делает его быстрее?

Question

Я был недоволен временем, когда dplyr и data.table принимали, чтобы создать новую переменную на моем data.frame и решить сравнить методы.

К моему удивлению, переназначение результатов dplyr :: mutate() на новый data.frame, кажется, быстрее, чем не делает этого.

Почему это происходит?

library(data.table) 
library(tidyverse) 


dt <- fread(".... data.csv") #load 200MB datafile 

dt1 <- copy(dt) 
dt2 <- copy(dt) 
dt3 <- copy(dt) 

a <- Sys.time() 
dt1[, MONTH := month(as.Date(DATE))] 
b <- Sys.time(); datatabletook <- b-a 

c <- Sys.time() 
dt_dplyr <- dt2 %>% 
    mutate(MONTH = month(as.Date(DATE))) 
d <- Sys.time(); dplyr_reassign_took <- d - c 

e <- Sys.time() 
dt3 %>% 
    mutate(MONTH = month(as.Date(DATE))) 
f <- Sys.time(); dplyrtook <- f - e 

datatabletook  = 17sec 
dplyrtook   = 47sec 
dplyr_reassign_took = 17sec 

Answer 1

Есть несколько способов benchmark with base R:

.t0 <- Sys.time() 
    ... 
.t1 <- Sys.time() 
.t1 - t0  

# or 

system.time({ 
    ... 
}) 

С Sys.time образом, вы отправляете каждую строку на консоль и можете увидеть некоторое возвращаемое значение распечатанного для каждой линии, как @Axeman предложил. С {...} существует только одно возвращаемое значение (последний результат внутри фигурных скобок) и system.time будет подавлять его от печати.

Если печать достаточно дорогостоящая, но не является частью того, что вы хотите измерить, это может изменить ситуацию.

---

Есть веские причины, чтобы предпочесть system.time над Sys.time для сравнительного анализа; от @ комментария MattDowle в:

I) он делает дс первым исключен из времени, чтобы изолировать от случайного дса-х и

II) включает в себя user и sys время, а также elapsed настенных часов времени.

Sys.time() путь будет зависеть от чтения электронной почты в Chrome или с помощью Excel в то время как тест выполняется, то system.time() путь будет не так долго, как вы используете user и sys части результата.