¡No puedo enfatizar más la diferencia de eficiencia entre los dos! Si bien es cierto que los DF son más convenientes en algunos casos de análisis de datos, también permiten datos heterogéneos, y algunas bibliotecas los aceptan solo, todo esto es realmente secundario a menos que escriba un código único para una tarea específica.
Dejame darte un ejemplo. Había una función que calcularía la ruta 2D del método MCMC. Básicamente, esto significa que tomamos un punto inicial (x, y) e iteramos un cierto algoritmo para encontrar un nuevo punto (x, y) en cada paso, construyendo así la ruta completa. El algoritmo implica el cálculo de una función bastante compleja y la generación de alguna variable aleatoria en cada iteración, por lo que cuando se ejecutó durante 12 segundos pensé que estaba bien, dada la cantidad de cosas que hace en cada paso. Dicho esto, la función reunió todos los puntos en la ruta construida junto con el valor de una función objetivo en un marco de datos de 3 columnas. Entonces, 3 columnas no son tan grandes, y el número de pasos también fue más de 10,000 (en este tipo de problemas, las rutas de 1,000,000 de longitud son típicas, por lo que 10,000 no es nada). Entonces, pensé que un DF 10, 000x3 definitivamente no es un problema. La razón por la que se usó un DF es simple. Después de llamar a la función, se llamó a ggplot () para dibujar la ruta (x, y) resultante. Y ggplot () no acepta una matriz.
Luego, en algún momento por curiosidad, decidí cambiar la función para recopilar el camino en una matriz. Con mucho gusto, la sintaxis de los DF y las matrices es similar, todo lo que hice fue cambiar la línea especificando df como data.frame a una inicializándola como una matriz. Aquí también debo mencionar que en el código inicial, el DF se inicializó para tener el tamaño final, por lo que más adelante en el código de la función solo se registraron nuevos valores en espacios ya asignados, y no hubo sobrecarga de agregar nuevas filas al DF. Esto hace que la comparación sea aún más justa, y también simplificó mi trabajo ya que no necesitaba reescribir nada más en la función. Solo un cambio de línea desde la asignación inicial de un marco de datos del tamaño requerido a una matriz del mismo tamaño. Para adaptar la nueva versión de la función a ggplot (), convertí la matriz ahora devuelta a datos.
Después de volver a ejecutar el código, no podía creer el resultado. ¡El código se ejecuta en una fracción de segundo! En lugar de unos 12 segundos. Y nuevamente, la función durante las 10,000 iteraciones solo leyó y escribió valores en espacios ya asignados en un DF (y ahora en una matriz). Y esta diferencia también es para el tamaño razonable (o más bien pequeño) de 10000x3.
Entonces, si su única razón para usar un DF es hacerlo compatible con una función de biblioteca como ggplot (), siempre puede convertirlo a un DF en el último momento: trabaje con matrices en la medida en que lo considere conveniente. Si, por otro lado, hay una razón más sustancial para usar un DF, como si usa algún paquete de análisis de datos que requeriría una transformación constante de matrices a DF y viceversa, o no hace cálculos intensivos usted mismo y solo usa el estándar paquetes (muchos de ellos en realidad transforman internamente un DF en una matriz, hacen su trabajo y luego transforman el resultado, para que hagan todo el trabajo de eficiencia por usted), o hacen un trabajo único para que no le importe y sienta más cómodo con los DF, entonces no debería preocuparse por la eficiencia.
O una regla más práctica y diferente: si tiene una pregunta como en el OP, use matrices, por lo que usaría los DF solo cuando no tenga esa pregunta (porque ya sabe que tiene que usar los DF, o porque sí Realmente no me importa ya que el código es de una sola vez, etc.).
Pero, en general, tenga siempre presente este punto de eficiencia como una prioridad.