将整个数据帧传递给函数还是只有几列会在计算速度方面产生差异？

2023年10月6日 241次阅读

假设我有一个包含大量列的数据框

ncol = 40
sample_size = 300

my_matrix <- replicate(ncol, runif(sample_size, 0, 3))
my_df <- data.frame(my_matrix)
names(my_df) <- paste0("x", 1:ncol)
epsilon <- rnorm(sample_size, 0, 0.2) 
my_df$y <- 1+3*my_df$x1 + epsilon

我将数据框传递给一个只需要三个列来完成工作的函数(在我的实际代码中,函数可能会使用超过3列,但我试图在这里保持简单)：

library(ggplot2)

idle_plotter <- function(dataframe, x_string, y_string, color_string){
    p <- ggplot(dataframe, aes_string(x = x_string, y = y_string, color = color_string)) +
        geom_point()
    print(p)
}

如果我将整个my_df传递给idle_plotter,或者只是将idle_plotter需要的三个列,它在速度方面是否会有所不同？如果在调用时复制整个数据帧,我想它确实如此,但如果R是传递引用,则不应该.在我的测试中它似乎没有什么区别,但我需要知道是否：

>这是一个规则,在这种情况下,我可以继续将数据帧传递给函数
>或者只是运气不好,因为功能简单和/或数据框架不大.在这种情况下,我必须放弃传递完整数据帧的习惯,否则我的代码可能比现有代码慢.

最佳答案 似乎没有太大的区别：运行您的数据

idle_plotter_df <- function(dataframe, x_string, y_string, color_string){
    p <- ggplot(dataframe, aes_string(x = x_string, y = y_string, color = color_string)) +
        geom_point()
    print(p)
}

idle_plotter_col <- function(x_string, y_string, color_string){
  p <- ggplot(NULL) + aes_string(x = x_string, y = y_string, color = color_string) +
    geom_point()
  print(p)
}

microbenchmark::microbenchmark(
  idle_plotter_df(my_df, "x1", "x2", "x3"),
  idle_plotter_col("my_df$x1", "my_df$x2", "my_df$x3"), times = 10L)

结果

Unit: milliseconds
                                                 expr      min       lq     mean   median       uq      max neval
             idle_plotter_df(my_df, "x1", "x2", "x3") 168.8718 260.0504 265.3658 270.8738 272.5409 323.3371    10
 idle_plotter_col("my_df$x1", "my_df$x2", "my_df$x3") 264.6850 276.4981 293.8205 284.9820 300.3936 356.9910    10
点赞