dplyr最強伝説 - 盆栽日記

plyrは遅いと思っておりましたし実際そのような検証結果も2013のR Advent calendarで出ておりました。
まあ文法がggplot2と同じような感じなのでggplot脳の自分としてはまあ多少遅くても新しい文法覚えるよりましかとか思っていたわけです。

ただ、新しい文法覚えて集計がめちゃくちゃ速くなるんなら話は別だ。
ということで巷でめちゃくちゃ速いと評判のdplyrを使って集計時間を比較してみました。
実際速い。

追記（2014/1/19）

CRANにdplyrがアップされていたので、githubからインストールする必要は無くなりました。
通常通りinstall.packagesでどうぞ。

追記（2014/2/24）

基本関数等については下記記事をご参照ください。
http://rpubs.com/dichika/dplyr_intro
http://rpubs.com/dichika/dplyr_db

> # dplyrはgithub上からインストール
> #library(devtools)
> #install_github("dplyr")
> 
> library(plyr)
> library(doBy)
> library(dplyr)
> 
> set.seed(42)
> 
> # テストデータ作成
> types <- c("A", "B", "C", "D", "E", "F")
> obs <- 4e+06
> dat <- data.frame(type = as.factor(sample(types, obs, replace = TRUE)), 
+                   value = round(runif(obs, min = 0, max = 1), digits = 2)
+                   )
> 
> print(object.size(dat), units = "MB")
45.8 Mb
> 
> 
> # 集計
> plyr_time <- system.time(plyr_res <- ddply(dat, .(type), summarize,
+                                                 mean_percent = mean(value))
+                          )
> 
> doBy_time <- system.time(doBy_res <- summaryBy(value ~ type, 
+                                                data = dat, 
+                                                FUN = mean, 
+                                                keep.names = TRUE)
+                          )
> 
> aggregate_time <- system.time(aggregate_res <- aggregate(value~type, data=dat, mean)
+ )
> 
> dplyr_time <- system.time(dplyr_res <- summarise(group_by(dat, type), 
+                                                  mean(value))
+                           )
> 
> 
> # 結果の確認
> plyr_res
  type mean_percent
1    A    0.4998437
2    B    0.4999486
3    C    0.4995219
4    D    0.4998195
5    E    0.5002907
6    F    0.5004802
> doBy_res
  type     value
1    A 0.4998437
2    B 0.4999486
3    C 0.4995219
4    D 0.4998195
5    E 0.5002907
6    F 0.5004802
> aggregate_res
  type     value
1    A 0.4998437
2    B 0.4999486
3    C 0.4995219
4    D 0.4998195
5    E 0.5002907
6    F 0.5004802
> dplyr_res
Source: local data frame [6 x 2]

  type mean(value)
1    C   0.4995219
2    A   0.4998437
3    D   0.4998195
4    E   0.5002907
5    B   0.4999486
6    F   0.5004802
> 
> # 集計時間の確認
> plyr_time
   ユーザ   システム       経過  
     1.837      0.456      2.303 
> doBy_time
   ユーザ   システム       経過  
     3.876      0.307      4.219 
> aggregate_time
   ユーザ   システム       経過  
     8.008      0.447      8.534 
> dplyr_time
   ユーザ   システム       経過  
     0.311      0.049      0.360 

> sessionInfo()
R version 3.0.2 (2013-09-25)
Platform: x86_64-apple-darwin10.8.0 (64-bit)

locale:
[1] ja_JP.UTF-8/ja_JP.UTF-8/ja_JP.UTF-8/C/ja_JP.UTF-8/ja_JP.UTF-8

attached base packages:
[1] splines   stats     graphics  grDevices utils     datasets  methods  
[8] base     

other attached packages:
[1] devtools_1.4.1  dplyr_0.1       doBy_4.5-10     MASS_7.3-29    
[5] survival_2.37-4 plyr_1.8       

loaded via a namespace (and not attached):
 [1] assertthat_0.1  digest_0.6.4    evaluate_0.5.1  grid_3.0.2     
 [5] httr_0.2        lattice_0.20-23 lme4_1.0-5      Matrix_1.1-1.1 
 [9] memoise_0.1     minqa_1.2.2     nlme_3.1-111    parallel_3.0.2 
[13] Rcpp_0.10.6     RCurl_1.95-4.1  stringr_0.6.2   tools_3.0.2    
[17] whisker_0.3-2