Estimado Carlos Ortega
Muchas gracias, justo estaba por comenzar a intentar con dplyr, por lo cuál voy
directo a data.table.
Su comentario es bueno pero no justo para mi caso .…, es que no escribí todo en
mi consulta. En realidad usando Rvest consulto unos miles de sitios, donde uno
va en respuesta del anterior, y cada resultado agrega unas letras o números, y
de acuerdo a la cantidad de caracteres (por eso uso el if) conozco de donde
vino la información, al realizar el corte quito la parte del “id” que no
necesito.
Estoy realizando una comparación de principios activos en fármacos, donde hay
vademecun de distintos países, y la diferencia entre veterinario o humano,
dentro de veterinaria es por especies, razas como puede ser un perro chico a un
gran danés (Pastor alemán), incluso en homeopatía la “dosis no importa”. Es un
lío importante.
Incluso hay partes que no me responden de la misma forma, el web scraping es
muy complicado, el ejemplo que expusieron alguno de ustedes en una jornada el
año pasado, en mi computadora llega hasta un lugar y da error (luego de un
tiempo de proceso, un ejercicio de consulta de vinos españoles).
Por desgracia, necesito el if, sin condicionales no tengo la menor idea de como
hacerlo, agradezco nuevamente su intento por mejorar el código. Hay filtros
donde no uso el if, pero en todos casos se acuerdo a una condición plateo un
código R.
Voy a usar su código directamente para pasar a usar data.table (lo tengo en
data.frame).
Gracias.
Javier Rubén Marcuzzi
Técnico en Industrias Lácteas
Veterinario
De: Carlos Ortega
Enviado el: martes, 28 de julio de 2015 06:11 p.m.
Para: Javier Ruben Marcuzzi
CC: Jorge I Velez, Susana deus alvarez, R-help-es@r-project.org, daniel
Hola,
He probado con un par de opciones más, además de la de Jorge y al tiempo he
medido tiempos de ejecución.
Si no lo he entendido mal, si siempre voy a cortar la cadena y quedarme con los
4 primeros caracteres, pues directamente cojo esos cuatro primeros caracteres,
independientemente de cómo me llegue la cadena. El hacer la prueba lógica (el
"if") ya consume tiempo de ejecución.
#----------------------------------------------
library(randomNames)
library(stringr)
library(data.table)
library(microbenchmark)
nomBres <- randomNames(10000, which.names="first")
#----------
f1 <- function(x=nomBres) { str_sub(nomBres,1,4 ) }
#----------
f2 <- function(x=nomBres) {
nombresDT <- as.data.table(nomBres)
nombresDT[, str_sub(nomBres, 1,4)]
}
#----------
g4 <- function(codigo_llega, n_caracteres){
codigo_llega <- as.character(codigo_llega)
if(n_caracteres == 6) res <- substr(codigo_llega, start=0, stop=4)
else res <- codigo_llega
res
}
g4 <- Vectorize(g4)
#----------
#--------------------
#--------- Simulacion
res <- microbenchmark(
f1(nomBres)
,f2(nomBres)
,g4(nomBres,4)
,times=1000L
)
print(res)
#--------------------
Los resultados para un conjunto de 10.000 nombres aleatorios son:
------------------------------------------
Unit: microseconds
expr min lq mean median uq max
neval
f1(nomBres) 717.028 1006.545 1420.917 1198.032 1629.930 6294.977
1000
f2(nomBres) 1511.989 2055.613 2820.487 2364.573 3012.253 36416.495
1000
g4(nomBres, 4) 22899.259 35892.199 45235.071 42691.926 51581.988 247832.551
1000
-----------------------------------------
Y para 100.000 nombres:
-----------------------------------------
Unit: milliseconds
expr min lq mean median uq max
neval
f1(nomBres) 8.440287 11.58724 15.36027 13.92592 17.08169 114.66245
1000
f2(nomBres) 9.869237 13.83940 18.13927 16.42183 20.45015 65.20311
1000
g4(nomBres, 4) 298.084214 418.46124 492.65566 470.31912 526.37157 2221.56586
1000
-----------------------------------------
No he probado con "dplyr" porque ya por experiencia, es más lento que
data.table.
Saludos,
Carlos Ortega
www.qualityexcellence.es
El 28 de julio de 2015, 18:21, <javier.ruben.marcu...@gmail.com> escribió:
Estimados
Muchas gracias a ambos, la solución de Daniel Merino funciona, pero como el
mismo dice debería haber otra forma optimizada, y la de Jorge I Velez está
optimizada.
Utilizando ambas en mis datos, la de Daniel en media hora no termina de
procesar, la de Jorge en segundos da un resultado.
Hoy a la mañana se me ocurrió usar dplyr, posiblemente en ese enfoque ambas
den resultado en tiempos razonables, pero aún no lo se, tengo que intentarlo.
Javier Rubén Marcuzzi
Técnico en Industrias Lácteas
Veterinario
De: Jorge I Velez
Enviado el: martes, 28 de julio de 2015 10:13 a.m.
Para: Javier Ruben Marcuzzi
CC: Carlos Ortega, Susana deus alvarez, R-help-es@r-project.org, daniel
Hola Javier,
Intenta los siguientes cambios
g4 <- function(codigo_llega, n_caracteres){
codigo_llega <- as.character(codigo_llega)
if(n_caracteres == 6) res <- substr(codigo_llega, start=0, stop=4)
else res <- codigo_llega
res
}
g4 <- Vectorize(g4)
x <- c('Jorge Velez','Javier Marcuzzi','Daniel Merino','Susana deus Alvarez',
'Carlos Ortega')
g4(x, 6)
g4(x, 4)
Saludos cordiales,
Jorge.-
2015-07-28 13:08 GMT+10:00 <javier.ruben.marcu...@gmail.com>:
Señores
Tengo un problema, donde use distintas alternativas y el informe de error es el
mismo.
Mi ultima alternativa es una función que copio y pego junto con un ejemplo de
uso.
> g3 <- function(n_caracteres, codigo_llega){
+ if (n_caracteres == 6)
+ {
+ res <- substr(codigo_llega, start=0, stop=4)
+ }
+ else
+ {
+ res <- codigo_llega
+ }
+ res
+ }
> g3(6,"Javier Marcuzzi")
[1] "Javi"
Pero cuándo uso los datos reales, el mensaje de error es el siguiente (copio y
pego lo último que se ve junto con el mensaje)
[9989] QS01EE01 QS01EE02 QS01EE03 QS01EE04 QS01EE05 QS QS01 QS01E
QS01EX QS01EX01 QS01EX02
[10000] QS
[ reached getOption("max.print") -- omitted 846 entries ]
7148 Levels: QA QA01 QA01A QA01AA QA01AA01 QA01AA02 QA01AA03 QA01AA04 QA01AA30
QA01AA51 QA01AB ... QV10XX03
Warning message:
In if (n_caracteres == 4) { :
the condition has length > 1 and only the first element will be used
¿Alguna idea sobre ese mensaje, aparentemente hasta el elemento 10.000
funciona, luego tengo un problema (con la función que envío como con otras
alternativas)
Javier Rubén Marcuzzi
Técnico en Industrias Lácteas
Veterinario
[[alternative HTML version deleted]]
_______________________________________________
R-help-es mailing list
R-help-es@r-project.org
https://stat.ethz.ch/mailman/listinfo/r-help-es
--
Saludos,
Carlos Ortega
www.qualityexcellence.es
[[alternative HTML version deleted]]
_______________________________________________
R-help-es mailing list
R-help-es@r-project.org
https://stat.ethz.ch/mailman/listinfo/r-help-es
