R 在大型 data.table 中替换 NA 的最快方法

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)
}