在 R 中使用 for 循环优化子集

Question

我正在使用R和RStudio来分析GTFS公共交通馈送，并使用ggplot2创建时间表范围图。代码目前工作正常，但速度很慢，这在使用非常大的 CSV 时是有问题的，就像这里经常出现的情况一样。

代码中最慢的部分如下(带有一些上下文(：一个 for 循环，它遍历数据框并将每个唯一行程子集化到临时数据框中，从中提取极端到达和离开值(第一行和最后一行(：

# Creates an empty df to contain trip_id, trip start and trip end times
Trip_Times <- data.frame(Trip_ID = character(), Departure = character(), Arrival = character(), stringsAsFactors = FALSE) 
# Creates a vector containing all trips of the analysed day
unique_trips = unique(stop_times$trip_id)
# Iterates through stop_times for each unique trip_id and populates previously created data frame
for (i in seq(from = 1, to = length(unique_trips), by = 1)) {
  temp_df <- subset(stop_times, trip_id == unique_trips[i])
  Trip_Times[nrow(Trip_Times) + 1, ] <- c(temp_df$trip_id[[1]], temp_df$departure_time[[1]], temp_df$arrival_time[[nrow(temp_df)]])
} 

stop_times df 如下所示，一些提要包含超过 250 万行，提供大约 200k 次独特的行程，因此 200k 循环迭代......

head(stop_times)
trip_id arrival_time departure_time stop_sequence
1 011_0840101_A14      7:15:00        7:15:00             1
2 011_0840101_A14      7:16:00        7:16:00             2
3 011_0840101_A14      7:17:00        7:17:00             3
4 011_0840101_A14      7:18:00        7:18:00             4
5 011_0840101_A14      7:19:00        7:19:00             5
6 011_0840101_A14      7:20:00        7:20:00             6

有人能建议我如何优化此代码以获得更快的结果。我不相信apply可以在这里使用，但我很可能错了。

Answer 1

这应该很简单，dplyr...

library(dplyr)
Trip_Times <- stop_times %>%
              group_by(trip_id) %>%
              summarise(departure_time=first(departure_time),
                        arrival_time=last(arrival_time))

Answer 2

我们可以使用data.table

library(data.table)
setDT(stop_times)[, .(departure_time = departure_time[1L], 
                    arrival_time = arrival_time[.N]) , by = trip_id]