Ответ 1
Я использую стратегию Dominik в его ответе на этот вопрос
Я превратил его в функцию в мой qmao. Этот код также находится в ядре getSymbols.FI в FinancialInstrument пакет.
do.call.rbind <- function(lst) {
while(length(lst) > 1) {
idxlst <- seq(from=1, to=length(lst), by=2)
lst <- lapply(idxlst, function(i) {
if(i==length(lst)) { return(lst[[i]]) }
return(rbind(lst[[i]], lst[[i+1]]))
})
}
lst[[1]]
}
Если вы хотите rbind
data.frames
, @JoshuaUlrich предоставили элегантное решение здесь
Насколько я могу судить (не глядя очень внимательно), память не является проблемой ни с одним из трех предлагаемых решений (@JoshuaUlrich, @Alex и qmao:: do.call.rbind). Итак, скорость сводится...
library(xts)
l <- lapply(Sys.Date()-6000:1, function(x) {
N=60*8;xts(rnorm(N),as.POSIXct(x)-seq(N*60,1,-60))})
GS <- do.call.rbind
JU <- function(x) Reduce(rbind, x)
Alex <- function(x) do.call(rbind, lapply(x, as.data.frame)) #returns data.frame, not xts
identical(GS(l), JU(l)) #TRUE
library(rbenchmark)
benchmark(GS(l), JU(l), Alex(l), replications=1)
test replications elapsed relative user.self sys.self user.child sys.child
3 Alex(l) 1 89.575 109.9080 56.584 33.044 0 0
1 GS(l) 1 0.815 1.0000 0.599 0.216 0 0
2 JU(l) 1 209.783 257.4025 143.353 66.555 0 0
do.call.rbind
явно выигрывает по скорости.