Enviar búsqueda
Cargar
data.tableパッケージで大規模データをサクッと処理する
•
35 recomendaciones
•
18,343 vistas
S
Shintaro Fukushima
Seguir
Vista de diapositivas
Denunciar
Compartir
Vista de diapositivas
Denunciar
Compartir
1 de 27
Descargar ahora
Descargar para leer sin conexión
Recomendados
Rの高速化
Rの高速化
弘毅 露崎
Rデータフレーム自由自在
Rデータフレーム自由自在
Takeshi Arabiki
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
horihorio
Visual Studio CodeでRを使う
Visual Studio CodeでRを使う
Atsushi Hayakawa
Rにおける大規模データ解析(第10回TokyoWebMining)
Rにおける大規模データ解析(第10回TokyoWebMining)
Shintaro Fukushima
Juliaで並列計算
Juliaで並列計算
Shintaro Fukushima
決定木学習
決定木学習
Mitsuo Shimohata
PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)
Yasunori Ozaki
Recomendados
Rの高速化
Rの高速化
弘毅 露崎
Rデータフレーム自由自在
Rデータフレーム自由自在
Takeshi Arabiki
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
horihorio
Visual Studio CodeでRを使う
Visual Studio CodeでRを使う
Atsushi Hayakawa
Rにおける大規模データ解析(第10回TokyoWebMining)
Rにおける大規模データ解析(第10回TokyoWebMining)
Shintaro Fukushima
Juliaで並列計算
Juliaで並列計算
Shintaro Fukushima
決定木学習
決定木学習
Mitsuo Shimohata
PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)
Yasunori Ozaki
5分でわかるベイズ確率
5分でわかるベイズ確率
hoxo_m
Rでのtry関数によるエラー処理
Rでのtry関数によるエラー処理
wada, kazumi
xtsパッケージで時系列解析
xtsパッケージで時系列解析
Nagi Teramo
圏論のモナドとHaskellのモナド
圏論のモナドとHaskellのモナド
Yoshihiro Mizoguchi
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
智文 中野
統計的因果推論からCausalMLまで走り抜けるスライド
統計的因果推論からCausalMLまで走り抜けるスライド
fusha
実践で学ぶネットワーク分析
実践で学ぶネットワーク分析
Mitsunori Sato
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
nishioka1
Shinyユーザのための非同期プログラミング入門
Shinyユーザのための非同期プログラミング入門
hoxo_m
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
[DL輪読会]Scalable Training of Inference Networks for Gaussian-Process Models
[DL輪読会]Scalable Training of Inference Networks for Gaussian-Process Models
Deep Learning JP
Chapter9 一歩進んだ文法(前半)
Chapter9 一歩進んだ文法(前半)
itoyan110
心理学における「再現性」の問題とBayes Factor
心理学における「再現性」の問題とBayes Factor
Shushi Namba
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
hoxo_m
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
hoxo_m
最高の統計ソフトウェアはどれか? "What’s the Best Statistical Software? A Comparison of R, Py...
最高の統計ソフトウェアはどれか? "What’s the Best Statistical Software? A Comparison of R, Py...
ケンタ タナカ
{tidygraph}と{ggraph}による モダンなネットワーク分析(未公開ver)
{tidygraph}と{ggraph}による モダンなネットワーク分析(未公開ver)
Takashi Kitano
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
巨大な表を高速に扱うData.table について
巨大な表を高速に扱うData.table について
Haruka Ozaki
VLDB2013 Session 1 Emerging Hardware
VLDB2013 Session 1 Emerging Hardware
Takuma Wakamori
Más contenido relacionado
La actualidad más candente
5分でわかるベイズ確率
5分でわかるベイズ確率
hoxo_m
Rでのtry関数によるエラー処理
Rでのtry関数によるエラー処理
wada, kazumi
xtsパッケージで時系列解析
xtsパッケージで時系列解析
Nagi Teramo
圏論のモナドとHaskellのモナド
圏論のモナドとHaskellのモナド
Yoshihiro Mizoguchi
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
智文 中野
統計的因果推論からCausalMLまで走り抜けるスライド
統計的因果推論からCausalMLまで走り抜けるスライド
fusha
実践で学ぶネットワーク分析
実践で学ぶネットワーク分析
Mitsunori Sato
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
nishioka1
Shinyユーザのための非同期プログラミング入門
Shinyユーザのための非同期プログラミング入門
hoxo_m
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
[DL輪読会]Scalable Training of Inference Networks for Gaussian-Process Models
[DL輪読会]Scalable Training of Inference Networks for Gaussian-Process Models
Deep Learning JP
Chapter9 一歩進んだ文法(前半)
Chapter9 一歩進んだ文法(前半)
itoyan110
心理学における「再現性」の問題とBayes Factor
心理学における「再現性」の問題とBayes Factor
Shushi Namba
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
hoxo_m
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
hoxo_m
最高の統計ソフトウェアはどれか? "What’s the Best Statistical Software? A Comparison of R, Py...
最高の統計ソフトウェアはどれか? "What’s the Best Statistical Software? A Comparison of R, Py...
ケンタ タナカ
{tidygraph}と{ggraph}による モダンなネットワーク分析(未公開ver)
{tidygraph}と{ggraph}による モダンなネットワーク分析(未公開ver)
Takashi Kitano
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
La actualidad más candente
(20)
5分でわかるベイズ確率
5分でわかるベイズ確率
Rでのtry関数によるエラー処理
Rでのtry関数によるエラー処理
xtsパッケージで時系列解析
xtsパッケージで時系列解析
圏論のモナドとHaskellのモナド
圏論のモナドとHaskellのモナド
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
統計的因果推論からCausalMLまで走り抜けるスライド
統計的因果推論からCausalMLまで走り抜けるスライド
実践で学ぶネットワーク分析
実践で学ぶネットワーク分析
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
Shinyユーザのための非同期プログラミング入門
Shinyユーザのための非同期プログラミング入門
階層ベイズとWAIC
階層ベイズとWAIC
[DL輪読会]Scalable Training of Inference Networks for Gaussian-Process Models
[DL輪読会]Scalable Training of Inference Networks for Gaussian-Process Models
Chapter9 一歩進んだ文法(前半)
Chapter9 一歩進んだ文法(前半)
心理学における「再現性」の問題とBayes Factor
心理学における「再現性」の問題とBayes Factor
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
最高の統計ソフトウェアはどれか? "What’s the Best Statistical Software? A Comparison of R, Py...
最高の統計ソフトウェアはどれか? "What’s the Best Statistical Software? A Comparison of R, Py...
{tidygraph}と{ggraph}による モダンなネットワーク分析(未公開ver)
{tidygraph}と{ggraph}による モダンなネットワーク分析(未公開ver)
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Destacado
巨大な表を高速に扱うData.table について
巨大な表を高速に扱うData.table について
Haruka Ozaki
VLDB2013 Session 1 Emerging Hardware
VLDB2013 Session 1 Emerging Hardware
Takuma Wakamori
ICDE2015 Research 3: Distributed Storage and Processing
ICDE2015 Research 3: Distributed Storage and Processing
Takuma Wakamori
ICDE2014 Session 14 Data Warehousing
ICDE2014 Session 14 Data Warehousing
Takuma Wakamori
「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜
「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜
Keiichiro Ono
遅延価値観数と階層ベイズを用いた男心をくすぐる女の戦略.R
遅延価値観数と階層ベイズを用いた男心をくすぐる女の戦略.R
MrUnadon
RではじめるTwitter解析
RではじめるTwitter解析
Takeshi Arabiki
Destacado
(7)
巨大な表を高速に扱うData.table について
巨大な表を高速に扱うData.table について
VLDB2013 Session 1 Emerging Hardware
VLDB2013 Session 1 Emerging Hardware
ICDE2015 Research 3: Distributed Storage and Processing
ICDE2015 Research 3: Distributed Storage and Processing
ICDE2014 Session 14 Data Warehousing
ICDE2014 Session 14 Data Warehousing
「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜
「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜
遅延価値観数と階層ベイズを用いた男心をくすぐる女の戦略.R
遅延価値観数と階層ベイズを用いた男心をくすぐる女の戦略.R
RではじめるTwitter解析
RではじめるTwitter解析
Más de Shintaro Fukushima
20230216_Python機械学習プログラミング.pdf
20230216_Python機械学習プログラミング.pdf
Shintaro Fukushima
機械学習品質管理・保証の動向と取り組み
機械学習品質管理・保証の動向と取り組み
Shintaro Fukushima
Materials Informatics and Python
Materials Informatics and Python
Shintaro Fukushima
BPstudy sklearn 20180925
BPstudy sklearn 20180925
Shintaro Fukushima
最近のRのランダムフォレストパッケージ -ranger/Rborist-
最近のRのランダムフォレストパッケージ -ranger/Rborist-
Shintaro Fukushima
Why dont you_create_new_spark_jl
Why dont you_create_new_spark_jl
Shintaro Fukushima
Rユーザのためのspark入門
Rユーザのためのspark入門
Shintaro Fukushima
Juliaによる予測モデル構築・評価
Juliaによる予測モデル構築・評価
Shintaro Fukushima
機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価
Shintaro Fukushima
データサイエンスワールドからC++を眺めてみる
データサイエンスワールドからC++を眺めてみる
Shintaro Fukushima
アクションマイニングを用いた最適なアクションの導出
アクションマイニングを用いた最適なアクションの導出
Shintaro Fukushima
R3.0.0 is relased
R3.0.0 is relased
Shintaro Fukushima
外れ値
外れ値
Shintaro Fukushima
Rでreproducible research
Rでreproducible research
Shintaro Fukushima
統計解析言語Rにおける大規模データ管理のためのboost.interprocessの活用
統計解析言語Rにおける大規模データ管理のためのboost.interprocessの活用
Shintaro Fukushima
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
mmapパッケージを使ってお手軽オブジェクト管理
mmapパッケージを使ってお手軽オブジェクト管理
Shintaro Fukushima
Numpy scipyで独立成分分析
Numpy scipyで独立成分分析
Shintaro Fukushima
Rで学ぶロバスト推定
Rで学ぶロバスト推定
Shintaro Fukushima
Rあんなときこんなとき(tokyo r#12)
Rあんなときこんなとき(tokyo r#12)
Shintaro Fukushima
Más de Shintaro Fukushima
(20)
20230216_Python機械学習プログラミング.pdf
20230216_Python機械学習プログラミング.pdf
機械学習品質管理・保証の動向と取り組み
機械学習品質管理・保証の動向と取り組み
Materials Informatics and Python
Materials Informatics and Python
BPstudy sklearn 20180925
BPstudy sklearn 20180925
最近のRのランダムフォレストパッケージ -ranger/Rborist-
最近のRのランダムフォレストパッケージ -ranger/Rborist-
Why dont you_create_new_spark_jl
Why dont you_create_new_spark_jl
Rユーザのためのspark入門
Rユーザのためのspark入門
Juliaによる予測モデル構築・評価
Juliaによる予測モデル構築・評価
機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価
データサイエンスワールドからC++を眺めてみる
データサイエンスワールドからC++を眺めてみる
アクションマイニングを用いた最適なアクションの導出
アクションマイニングを用いた最適なアクションの導出
R3.0.0 is relased
R3.0.0 is relased
外れ値
外れ値
Rでreproducible research
Rでreproducible research
統計解析言語Rにおける大規模データ管理のためのboost.interprocessの活用
統計解析言語Rにおける大規模データ管理のためのboost.interprocessの活用
不均衡データのクラス分類
不均衡データのクラス分類
mmapパッケージを使ってお手軽オブジェクト管理
mmapパッケージを使ってお手軽オブジェクト管理
Numpy scipyで独立成分分析
Numpy scipyで独立成分分析
Rで学ぶロバスト推定
Rで学ぶロバスト推定
Rあんなときこんなとき(tokyo r#12)
Rあんなときこんなとき(tokyo r#12)
data.tableパッケージで大規模データをサクッと処理する
1.
data.tableパッケージで ⼤規模データをサクッと処理する 2013年11⽉9⽇ 第35回Tokyo.R @sfchaos
2.
⾃⼰紹介 � TwitterID:@sfchaos � お仕事:データマイニング 1
3.
1. イントロダクション 2
4.
データフレームは, Rの最重要なデータ構造の⼀つ データフレームとは, Excelのワークシートのような ⾏列形式のデータ構造 3
5.
例えば, いつもよく出てくるirisデータセット > head(iris) Sepal.Length Sepal.Width
Petal.Length Petal.Width Species 1 5.1 3.5 1.4 0.2 setosa 2 4.9 3.0 1.4 0.2 setosa 3 4.7 3.2 1.3 0.2 setosa 4 4.6 3.1 1.5 0.2 setosa 5 5.0 3.6 1.4 0.2 setosa 6 5.4 3.9 1.7 0.4 setosa アヤメの茎の⻑さ・幅と種類に関するデータ 4
6.
reshape2パッケージ, plyrパッケージなどを⽤いることにより, ピボットテーブルなどの柔軟な処理も可能 5
7.
天下のExcel様も gkbrのデータフレーム!! with data.frame 6
8.
そんなデータフレームも, 結構処理が遅いことがある > # データの読み込み >
system.time(usc.df <read.csv("../data/USCensus1990.data.txt")) ユーザ システム 経過 65.588 3.152 68.868 ⽶国の1990年の国勢調査データ 出典:US Census(1990) Data Set http://archive.ics.uci.edu/ml/datasets/US +Census+Data+%281990%29 7
9.
こんなとき,data.tableパッケージが 役⽴つかもしれない > library(data.table) data.table 1.8.10
For help type: help("data.table") > system.time(usc.dt <fread("../data/USCensus1990.data.txt")) ユーザ システム 経過 3.244 0.040 3.300 出典:http://cran.r-project.org/web/packages/data.table/index.html 8
10.
data.tableパッケージを⽤いることにより, 以下のような処理を⾼速に実現 � � � � データの読み込み 条件に合致した要素の抽出 層別の集計 テーブルのジョイン 等 9
11.
2. data.tableパッケージひとめぐり 10
12.
データ分析の流れ 外部からデータを 読み込むケース データ データの ⼊⼒ データ 加⼯・集計 マイニング 結果の 出⼒ 結果 データの ⽣成 データを⽣成するケース data.tableパッケージの 守備範囲 11
13.
各⼯程の処理例とdata.tableの関数 ⼯程 データの⼊⼒・変換 処理 データの読み込み data.tableの関数 �fread 通常のRの関数 �read.csv/read.table �scan 等 データフレームからのデータ 変換 データの加⼯・集計 �data.table キーの付加 �setkey -- グループ化の処理 �添字表記[[]], by引数 -- テーブルのジョイン �merge �merge 複数のリストの結合 �rbindlst �do.call("rbind",
リスト) -- �do.call("cbind", リスト) 部分集合の取り出し �subset �subset ⾏の重複のチェック �duplicated �duplicated ※data.tableパッケージについては, 他にも様々な関数がある 12
14.
データの⼊⼒ � データ読み込み(fread関数を使⽤) > library(data.table) data.table
1.8.10 For help type: help("data.table") > system.time(usc.dt <fread("../data/USCensus1990.data.txt")) ユーザ システム 経過 3.244 0.040 3.300 13
15.
データの⼊⼒ � ⽐較)データ読み込み(通常のread.csv関数) > #
データの読み込み > system.time(usc.df <read.csv("../data/USCensus1990.data.txt")) ユーザ システム 経過 65.588 3.152 68.868 fread関数を⽤いることで20倍以上の⾼速化 14
16.
データの⼊⼒ � 読み込んだデータテーブルの確認(⾏頭・⾏末) > head(usc.dt) caseid
dAge dAncstry1 dAncstry2 iAvail iCitizen iClass dDepart ... 1: 10000 5 0 1 0 0 5 3 ... 2: 10001 6 1 1 0 0 7 5 ... 3: 10002 3 1 2 0 0 7 4 ... 4: 10003 4 1 2 0 0 1 3 ... 5: 10004 7 1 1 0 0 0 0 ... 6: 10005 1 1 2 0 0 0 0 ... > tail(usc.dt) caseid dAge dAncstry1 dAncstry2 iAvail iCitizen iClass dDepart ... 1: 2468279 3 3 1 0 0 1 5 ... 2: 2468280 7 1 2 0 0 0 0 ... 3: 2468281 1 1 2 0 0 0 0 ... 4: 2468282 3 3 1 0 0 1 2 ... 5: 2468283 6 0 1 0 0 1 3 ... 6: 2468284 2 3 1 0 4 0 0 ... 15
17.
データの⼊⼒ � 読み込んだデータテーブルの確認(サイズ,表頭・表側) > dim(usc.dt) [1]
2458285 69 > dimnames(usc.dt) [[1]] NULL [[2]] [1] "caseid" [7] "iClass" [13] "iFertil" [19] "dIncome2" [25] "dIncome8" [31] "iMay75880" [37] "iOthrserv" [43] "dRearning" [49] "iRownchld" [55] "iSchool" [61] "dTravtime" [67] "iYearsch" "dAge" "dDepart" "dHispanic" "dIncome3" "dIndustry" "iMeans" "iPerscare" "iRelat1" "dRpincome" "iSept80" "iVietnam" "iYearwrk" 表側はつかない "dAncstry1" "iDisabl1" "dHour89" "dIncome4" "iKorean" "iMilitary" "dPOB" "iRelat2" "iRPOB" "iSex" "dWeek89" "dYrsserv" "dAncstry2" "iDisabl2" "dHours" "dIncome5" "iLang1" "iMobility" "dPoverty" "iRemplpar" "iRrelchld" "iSubfam1" "iWork89" "iAvail" "iEnglish" "iImmigr" "dIncome6" "iLooking" "iMobillim" "dPwgt1" "iRiders" "iRspouse" "iSubfam2" "iWorklwk" "iCitizen" "iFeb55" "dIncome1" "dIncome7" "iMarital" "dOccup" "iRagechld" "iRlabor" "iRvetserv" "iTmpabsnt" "iWWII" 16
18.
データの⼊⼒ � メモリ上に⽣成されたデータテーブルのリストの確認 オブジェクト名 > tables() NAME NROW
MB [1,] usc.dt 2,458,285 648 ⾏数 COLS [1,] caseid,dAge,dAncstry1,dAncstry2,iAvail,iCitizen,iClass, dDepart,iDisabl1,iDisabl2 KEY [1,] 表側(の⼀部) Total: 648MB 17
19.
データの変換 � データフレームからデータテーブルへの変換(data.table関数) > system.time(usc.dt
<- data.table(usc.df)) ユーザ システム 経過 1.180 1.072 2.255 18
20.
データ加⼯・集計 � キーの付加(setkey関数) # キーの付加(dAge,
dIncome1 をキーにする) setkey(usc.dt, dAge, dIncome1) # オブジェクトのリストの中にもキーが表⽰されている tables() NAME NROW MB [1,] usc.dt 2,458,285 648 COLS [1,] caseid,dAge,dAncstry1,dAncstry2,iAvail,iCitizen,iClass, dDepart,iDisabl1,iDisabl2 KEY キーが付加された [1,] dAge,dIncome1 Total: 648MB > > > > 19
21.
データ加⼯・集計 � バイナリサーチを⽤いた⾼速な要素抽出 > #
2つのキーの値によりデータの要素へのアクセスが可能 > system.time(x <- usc.dt[1, 1]) ユーザ システム 経過 0.000 0.000 0.001 dAge=1 かつ dIncome1=1の ⾏の取得 > # ⽐較: 通常のデータフレームを⽤いた場合 > system.time(y <- usc.df[usc.df$dAge==1 & usc.df$dIncome1==1, ]) ユーザ システム 経過 1.536 0.096 1.637 20
22.
データ加⼯・集計 � グループ化処理による集計 > #
キーの値ごとの層別集計 > system.time(x <- usc.dt[, sum(dIncome1), by=dAge]) ユーザ システム 経過 0.032 0.000 0.033 > x 第2引数には集計処理を, dAge V1 by引数には集計軸を指定 1: 0 0 2: 1 0 3: 2 89043 4: 3 462080 5: 4 638323 6: 5 525549 7: 6 415373 8: 7 74411 21
23.
データ加⼯・集計 � グループ化処理による集計 > #
⽐較: 通常のデータフレームを⽤いた場合 > system.time(y <- tapply(usc.df$dIncome1, usc.df$dAge, sum)) ユーザ システム 経過 1.580 0.004 1.584 > y 0 1 2 3 4 5 6 7 0 0 89043 462080 638323 525549 415373 74411 22
24.
その他の機能 � テーブルの⾼速ジョイン(merge関数) � テーブルの要素の抽出(subset関数) �
リファレンスによるオブジェクトの要素の値変更 等 23
25.
3. まとめ 24
26.
� データフレームは,とても便利なRのデータ 構造だが,⼤規模データの読み込みや処 理が遅いことがある. � そんなときは,data.tableパッケージを⽤ いて,データの読み込み,集計,検索な どの⾼速化を検討すべし. 25
27.
� data.tableパッケージについては,R⾔語 上級ハンドブックにより詳しい説明がありま す. 26
Descargar ahora