dplyrのサブセットとフィルタの相違点

Question

サブセットとフィルタ（dplyrの）は同じ結果を示しているようです。 しかし、私の質問は、ある時点で、潜在的な違いがあるかどうかです。速度、それが処理できるデータサイズなど？どちらか一方を使用する方が良い場合がありますか？

例：

library(dplyr) 

df1<-subset(airquality, Temp>80 & Month > 5) 
df2<-filter(airquality, Temp>80 & Month > 5) 

summary(df1$Ozone) 
# Min. 1st Qu. Median Mean 3rd Qu. Max. NA's 
# 9.00 39.00 64.00 64.51 84.00 168.00  14 

summary(df2$Ozone) 
# Min. 1st Qu. Median Mean 3rd Qu. Max. NA's 
# 9.00 39.00 64.00 64.51 84.00 168.00  14 

Answer 1

彼らは、確かに、同じ結果を生産している、と彼らは概念で非常に似ています。

subsetの利点は、それがベースRの一部であり、追加のパッケージを必要としないことです。小さなサンプルサイズでは、filterより少し速いようです（あなたの例では6倍高速ですが、それはマイクロ秒で測定されます）。

データセットが増加するにつれて、filterが効率を上回るように見えます。 15,000レコードでは、filterは、約300マイクロ秒で、subsetを超えています。 153,000レコードで、filterは3倍高速（ミリ秒単位）です。

人間の時間の点では、私は2つの間に多くの違いがあるとは思わない。

もう1つの利点は、filterがデータをメモリに取り込まずにSQLデータベース上で動作できることです（これはちょっとした利点です）。 subsetは単にそれをしません。

私はすでにdplyrフレームワークを使用しているため、個人的にはfilterを使用する傾向があります。メモリ不足のデータを扱っていない場合、大きな違いはありません。

library(dplyr) 
library(microbenchmark) 

# Original example 
microbenchmark(
    df1<-subset(airquality, Temp>80 & Month > 5), 
    df2<-filter(airquality, Temp>80 & Month > 5) 
) 

Unit: microseconds 
    expr  min  lq  mean median  uq  max neval cld 
subset 95.598 107.7670 118.5236 119.9370 125.949 167.443 100 a 
filter 551.886 564.7885 599.4972 571.5335 594.993 2074.997 100 b 


# 15,300 rows 
air <- lapply(1:100, function(x) airquality) %>% bind_rows 

microbenchmark(
    df1<-subset(air, Temp>80 & Month > 5), 
    df2<-filter(air, Temp>80 & Month > 5) 
) 

Unit: microseconds 
    expr  min  lq  mean median  uq  max neval cld 
subset 1187.054 1207.5800 1293.718 1216.671 1257.725 2574.392 100 b 
filter 968.586 985.4475 1056.686 1023.862 1036.765 2489.644 100 a 

# 153,000 rows 
air <- lapply(1:1000, function(x) airquality) %>% bind_rows 

microbenchmark(
    df1<-subset(air, Temp>80 & Month > 5), 
    df2<-filter(air, Temp>80 & Month > 5) 
) 

Unit: milliseconds 
    expr  min  lq  mean median  uq  max neval cld 
subset 11.841792 13.292618 16.21771 13.521935 13.867083 68.59659 100 b 
filter 5.046148 5.169164 10.27829 5.387484 6.738167 65.38937 100 a 

Answer 2

まだ言及されていない1つの追加の違いは、サブセットがないながらフィルタは、rownamesを破棄することである：

filter(mtcars, gear == 5) 

    mpg cyl disp  hp drat wt qsec vs am gear carb 
1 26.0 4  120.3  91 4.43 2.140 16.7 0 1 5 2 
2 30.4 4  95.1  113 3.77 1.513 16.9 1 1 5 2 
3 15.8 4  351.0  264 4.22 3.170 14.5 0 1 5 4 
4 19.7 4  145.0  175 3.62 2.770 15.5 0 1 5 6 
5 15.0 4  301.0  335 3.54 3.570 14.6 0 1 5 8 

subset(mtcars, gear == 5) 
       mpg cyl disp  hp drat wt qsec vs am gear carb 
Porsche 914-2 26.0 4  120.3  91 4.43 2.140 16.7 0 1 5 2 
Lotus Europa 30.4 4  95.1  113 3.77 1.513 16.9 1 1 5 2 
Ford Pantera L 15.8 4  351.0  264 4.22 3.170 14.5 0 1 5 4 
Ferrari Dino 19.7 4  145.0  175 3.62 2.770 15.5 0 1 5 6 
Maserati Bora 15.0 4  301.0  335 3.54 3.570 14.6 0 1 5 8 

Answer 3

興味深いです。私は、得られたデータセットの面で違いを確認しようとしていたと私は、「[」演算子は（すなわち、それはまた、NASに戻した理由に）異なる挙動を理由に説明を取得coulnd't：

# Subset for year=2013 
sub<-brfss2013 %>% filter(iyear == "2013") 
dim(sub) 
#[1] 486088 330 
length(which(is.na(sub$iyear))==T) 
#[1] 0 

sub2<-filter(brfss2013, iyear == "2013") 
dim(sub2) 
#[1] 486088 330 
length(which(is.na(sub2$iyear))==T) 
#[1] 0 

sub3<-brfss2013[brfss2013$iyear=="2013", ] 
dim(sub3) 
#[1] 486093 330 
length(which(is.na(sub3$iyear))==T) 
#[1] 5 

sub4<-subset(brfss2013, iyear=="2013") 
dim(sub4) 
#[1] 486088 330 
length(which(is.na(sub4$iyear))==T) 
#[1] 0