最初のキー値ごとに2番目のデータフレームに一意のキーがある場合、一致アプローチが機能します。2番目のデータフレームに重複がある場合、一致とマージのアプローチは同じではありません。もちろん、マッチはそれほど多くはないので、より高速です。特に、重複するキーを探すことはありません。（コードの後に続く）
DF1 = data.frame(a = c(1, 1, 2, 2), b = 1:4)
DF2 = data.frame(b = c(1, 2, 3, 3, 4), c = letters[1:5])
merge(DF1, DF2)
b a c
1 1 1 a
2 2 1 b
3 3 2 c
4 3 2 d
5 4 2 e
DF1$c = DF2$c[match(DF1$b, DF2$b)]
DF1$c
[1] a b c e
Levels: a b c d e
> DF1
a b c
1 1 1 a
2 1 2 b
3 2 3 c
4 2 4 e
質問に投稿されたsqldfコードでは、2つのテーブルでインデックスが使用されているように見えるかもしれませんが、実際には、sql selectが実行される前に上書きされたテーブルに配置され、その理由の一部を説明していますとても遅い。sqldfの考え方は、Rセッションのデータフレームはsqliteのテーブルではなくデータベースを構成するということです。したがって、コードが修飾されていないテーブル名を参照するたびに、SQLiteのメインデータベースではなく、Rワークスペースでコードが検索されます。したがって、表示された選択ステートメントは、ワークスペースからsqliteのメインデータベースにd1とd2を読み取り、そこにインデックスがあったものを壊します。その結果、インデックスなしで結合が行われます。sqliteのメインデータベースにあるd1とd2のバージョンを利用したい場合は、それらをmain.d1とmainとして参照する必要があります。d2およびd1およびd2ではありません。また、できるだけ高速に実行する場合は、単純な結合では両方のテーブルのインデックスを使用できないため、インデックスの1つを作成する時間を節約できることに注意してください。以下のコードでは、これらのポイントを示しています。
正確な計算により、どのパッケージが最も高速であるかが大きく異なることに注意してください。たとえば、以下のマージと集計を行います。2つの結果はほぼ逆転しています。最初の例では、最も速いものから最も遅いものまで取得します。data.table、plyr、merge、sqldfですが、2番目の例では、sqldf、aggregate、data.table、およびplyrです。最初のものとほぼ逆です。最初の例では、sqldfはdata.tableより3倍遅く、2番目の例では、plyrより200倍速く、data.tableより100倍速くなっています。以下に、入力コード、マージの出力タイミング、および集約の出力タイミングを示します。また、sqldfはデータベースに基づいているため、Rが処理できるよりも大きいオブジェクトを処理できる（sqldfのdbname引数を使用する場合）一方で、他のアプローチはメインメモリでの処理に限定されていることにも注意してください。また、sqliteを使用してsqldfを示しましたが、H2およびPostgreSQLデータベースもサポートしています。
library(plyr)
library(data.table)
library(sqldf)
set.seed(123)
N <- 1e5
d1 <- data.frame(x=sample(N,N), y1=rnorm(N))
d2 <- data.frame(x=sample(N,N), y2=rnorm(N))
g1 <- sample(1:1000, N, replace = TRUE)
g2<- sample(1:1000, N, replace = TRUE)
d <- data.frame(d1, g1, g2)
library(rbenchmark)
benchmark(replications = 1, order = "elapsed",
merge = merge(d1, d2),
plyr = join(d1, d2),
data.table = {
dt1 <- data.table(d1, key = "x")
dt2 <- data.table(d2, key = "x")
data.frame( dt1[dt2,list(x,y1,y2=dt2$y2)] )
},
sqldf = sqldf(c("create index ix1 on d1(x)",
"select * from main.d1 join d2 using(x)"))
)
set.seed(123)
N <- 1e5
g1 <- sample(1:1000, N, replace = TRUE)
g2<- sample(1:1000, N, replace = TRUE)
d <- data.frame(x=sample(N,N), y=rnorm(N), g1, g2)
benchmark(replications = 1, order = "elapsed",
aggregate = aggregate(d[c("x", "y")], d[c("g1", "g2")], mean),
data.table = {
dt <- data.table(d, key = "g1,g2")
dt[, colMeans(cbind(x, y)), by = "g1,g2"]
},
plyr = ddply(d, .(g1, g2), summarise, avx = mean(x), avy=mean(y)),
sqldf = sqldf(c("create index ix on d(g1, g2)",
"select g1, g2, avg(x), avg(y) from main.d group by g1, g2"))
)
マージ計算を比較する2つのベンチマーク呼び出しからの出力は次のとおりです。
Joining by: x
test replications elapsed relative user.self sys.self user.child sys.child
3 data.table 1 0.34 1.000000 0.31 0.01 NA NA
2 plyr 1 0.44 1.294118 0.39 0.02 NA NA
1 merge 1 1.17 3.441176 1.10 0.04 NA NA
4 sqldf 1 3.34 9.823529 3.24 0.04 NA NA
集計計算を比較するベンチマーク呼び出しからの出力は次のとおりです。
test replications elapsed relative user.self sys.self user.child sys.child
4 sqldf 1 2.81 1.000000 2.73 0.02 NA NA
1 aggregate 1 14.89 5.298932 14.89 0.00 NA NA
2 data.table 1 132.46 47.138790 131.70 0.08 NA NA
3 plyr 1 212.69 75.690391 211.57 0.56 NA NA