我有一个大的data.table,有许多缺失的值散布在它的~200k行和200列中.我希望尽可能高效地将这些NA值重新编码为零.
我看到两种 Select :
我很乐意找到一个相当有效的1型解决方案.正在转换为数据.帧,然后返回到数据.这张桌子不会花太长时间.
我有一个大的data.table,有许多缺失的值散布在它的~200k行和200列中.我希望尽可能高效地将这些NA值重新编码为零.
我看到两种 Select :
我很乐意找到一个相当有效的1型解决方案.正在转换为数据.帧,然后返回到数据.这张桌子不会花太长时间.
这是一个使用data.table's :=
运算符的解决方案,基于Andrie和Ramnath的答案.
require(data.table) # v1.6.6
require(gdata) # v2.8.2
set.seed(1)
dt1 = create_dt(2e5, 200, 0.1)
dim(dt1)
[1] 200000 200 # more columns than Ramnath's answer which had 5 not 200
f_andrie = function(dt) remove_na(dt)
f_gdata = function(dt, un = 0) gdata::NAToUnknown(dt, un)
f_dowle = function(dt) { # see EDIT later for more elegant solution
na.replace = function(v,value=0) { v[is.na(v)] = value; v }
for (i in names(dt))
eval(parse(text=paste("dt[,",i,":=na.replace(",i,")]")))
}
system.time(a_gdata = f_gdata(dt1))
user system elapsed
18.805 12.301 134.985
system.time(a_andrie = f_andrie(dt1))
Error: cannot allocate vector of size 305.2 Mb
Timing stopped at: 14.541 7.764 68.285
system.time(f_dowle(dt1))
user system elapsed
7.452 4.144 19.590 # EDIT has faster than this
identical(a_gdata, dt1)
[1] TRUE
请注意,f_dowle通过引用更新了dt1.如果需要本地副本,则需要显式调用copy
函数来生成整个数据集的本地副本.数据表的setkey
、key<-
和:=
不在写入时复制.
接下来,让我们看看f_dowle在哪里度过时间.
Rprof()
f_dowle(dt1)
Rprof(NULL)
summaryRprof()
$by.self
self.time self.pct total.time total.pct
"na.replace" 5.10 49.71 6.62 64.52
"[.data.table" 2.48 24.17 9.86 96.10
"is.na" 1.52 14.81 1.52 14.81
"gc" 0.22 2.14 0.22 2.14
"unique" 0.14 1.36 0.16 1.56
... snip ...
在这里,我将关注na.replace
和is.na
,其中有一些向量副本和向量扫描.通过编写一个小的na,可以很容易地消除这些问题.替换通过向量中的引用更新NA
的C函数.我想这至少会让20秒减半.这样的函数是否存在于任何R包中?
f_andrie
失败的原因可能是因为它复制了整个dt1
,或者创建了一个与整个dt1
一样大的逻辑矩阵几次.其他两种方法一次只能处理一个列(尽管我只是简单地查看了NAToUnknown
).
EDIT(Ramnath在 comments 中要求更优雅的解决方案):
f_dowle2 = function(DT) {
for (i in names(DT))
DT[is.na(get(i)), (i):=0]
}
system.time(f_dowle2(dt1))
user system elapsed
6.468 0.760 7.250 # faster, too
identical(a_gdata, dt1)
[1] TRUE
我希望我一开始就这样做!
EDIT2(一年多后,现在)
还有set()
个.如果有很多列被循环通过,这会更快,因为它避免了在循环中调用[,:=,]
的(小)开销.set
是一个可循环的:=
.见?set
.
f_dowle3 = function(DT) {
# either of the following for loops
# by name :
for (j in names(DT))
set(DT,which(is.na(DT[[j]])),j,0)
# or by number (slightly faster than by name) :
for (j in seq_len(ncol(DT)))
set(DT,which(is.na(DT[[j]])),j,0)
}