将字符串date转换为所有日期的R date FAST

Question

这个问题已经问了好几次了，没有明确的答案:我想将形式为"YYYY-mm-dd"的R字符串转换为Date。as.Date函数非常慢。在R中*快速*转换字符到日期提供了一个使用fasttime的解决方案，适用于1970年以后的日期。我的问题是，我有1900年开始的日期，我需要转换，大约有1亿。我必须经常这样做，所以速度很重要。还有其他的解决方案吗?

Answer 1

我可以通过使用date包获得一点加速:

library(date)
set.seed(21)
x <- as.character(Sys.Date()-sample(40000, 1e6, TRUE))
system.time(dDate <- as.Date(x))
#    user  system elapsed 
#    6.54    0.01    6.56 
system.time(ddate <- as.Date(as.date(x,"ymd")))
#    user  system elapsed 
#    3.42    0.22    3.64 

你可能想看看它使用的C代码，看看你是否可以修改它以使其更快地满足你的特定情况。

Answer 2

我有一个类似的问题前一段时间，想出了以下解决方案:

1. 将字符串转换为因子(如果还不是因子)
2. 将因子的电平转换为日期
3. 使用因子
的索引向量将转换后的电平扩展到解

延伸Joshua Ulrich的例子，我得到(在我的笔记本电脑上较慢的计时)

library(date)
set.seed(21)
x <- as.character(Sys.Date()-sample(40000, 1e6, TRUE))
system.time(dDate <- as.Date(x))
#    user  system elapsed 
#    12.09   0.00   12.12 
system.time(ddate <- as.Date(as.date(x,"ymd")))
#    user  system elapsed 
#    6.97    0.04    7.05 
system.time({
    xf <- as.factor(x)
    dDate <- as.Date(levels(xf))[as.integer(xf)]
})
#    user  system elapsed 
#    1.16    0.00    1.15

在这里，步骤2不依赖于x的长度，一旦x足够大，步骤3的缩放非常好(简单的向量索引)。瓶颈应该是第1步，如果数据已经作为因子存储，则可以避免这一步。

Answer 3

来自'润滑油'包的parse_date_time函数也相当快:

library(date)
library(lubridate)
set.seed(21)
x <- as.character(Sys.Date()-sample(40000, 1e6, TRUE))
system.time(date1 <- as.Date(x))
#  user  system elapsed 
# 12.86    0.00   12.94 
system.time(date2 <- as.Date(as.date(x,"ymd"))) # from package 'date'
#  user  system elapsed 
#  4.82    0.00    4.85 
system.time(date3 <- as.Date(parse_date_time(x,'%y-%m-%d'))) # from package 'lubridate'
#  user  system elapsed 
#  0.27    0.00    0.26 
all(date1 == date2)
#  TRUE
all(date1 == date3)
#  TRUE

Answer 4

考虑非常快的anytime库，它与1970

require(anytime)        #anydate()
require(lubridate)      #parse_date_time()
require(microbenchmark) #microbenchmark()
set.seed(21)
test.dd <- as.Date("2018-05-16") - sample(40000, 1e6, TRUE) #1 mln. random dates
microbenchmark(
    strptime(test.dd, "%Y-%m-%d"),                     #basic strptime
    parse_date_time(test.dd, orders = "ymd"),          #lubridate (POSIXct class)
    as.Date(parse_date_time(test.dd, orders = "ymd")), #lubridate + date class conversion
    anydate(test.dd),                                  #anytime library
    times = 10L, unit = "s"
)

结果输出:

Unit: seconds
                                             expr          min           lq         mean       median           uq          max neval cld
                    strptime(test.dd, "%Y-%m-%d") 10.177406012 10.472527403 1.064532e+01 10.621221596 10.819156870 11.288330598    10   c
         parse_date_time(test.dd, orders = "ymd")  4.541542019  4.603663894 4.844961e+00  4.869800287  5.055844972  5.128409226    10  b 
as.Date(parse_date_time(test.dd, orders = "ymd"))  4.461140695  4.568415584 4.867837e+00  4.739026273  5.080610126  5.532028490    10  b 
                                 anydate(test.dd)  0.000000755  0.000004909 5.777500e-06  0.000005664  0.000006042  0.000012839    10 a 

注。要使用时间序列，请考虑flipTime库。它具有所有必需的工具，并且在转换目的上几乎与anytime一样快:

require(devtools)
install_github("Displayr/flipTime")

Answer 5

进一步加速:您已经使用了data.table。因此，创建一个包含日期的查找表，并将它们与数据合并。

library(lubridate)
library(data.table)
y <- seq(as.Date('1900-01-01'), Sys.Date(), by = 'day')
id.date <- data.table(id = as.character(y), date = as.Date(y), key = 'id')
set.seed(21)
x <- as.character(Sys.Date()-sample(40000, 1e6, TRUE))
system.time(date3 <- as.Date(parse_date_time(x,'%y-%m-%d'))) # from package 'lubridate'
#  user  system elapsed 
#  0.15  0.00   0.15  
system.time(date4 <- id.date[setDT(list(id = x)), on='id', date])
#  user  system elapsed 
#  0.08  0.00   0.08
all(date3 == date4)
# TRUE

这是一种变通方法，但我相信这就是数据的方式。表打算使用。我不知道上面提到的时间/日期包内部是基于算法还是基于查找表(哈希表)。

对于较大的数据集，只要涉及到字符操作，这往往很慢，我考虑切换到查找引用表。