[英]Fastest way to replace NAs in a large data.table
我有一個大的data.table ,其中有許多缺失值分散在它的 ~200k 行和 200 列中。 我想盡可能有效地將這些 NA 值重新編碼為零。
我看到兩個選項:
1:轉換為data.frame,並使用類似這樣的東西
2:某種酷炫的data.table子設置指令
我會對類型 1 的相當有效的解決方案感到滿意。轉換為 data.frame 然后返回 data.table 不會花費太長時間。
這是使用data.table的:=
運算符的解決方案,基於 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
請注意, f_dowle 通過引用更新了 dt1。 如果需要本地副本,則需要顯式調用copy
函數來制作整個數據集的本地副本。 data.table 的setkey
、 key<-
和:=
不要寫時復制。
接下來,讓我們看看 f_dowle 把時間花在哪里了。
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 ...
在那里,我將專注於na.replace
和is.na
,其中有一些矢量副本和矢量掃描。 通過編寫一個小的 na.replace C 函數,通過向量中的引用更新NA
,這些可以很容易地消除。 這至少會使我認為的 20 秒減半。 任何 R 包中都存在這樣的函數嗎?
f_andrie
失敗的原因可能是因為它復制了整個dt1
,或者創建了與整個dt1
一樣大的邏輯矩陣幾次。 其他 2 種方法一次處理一列(盡管我只簡要地看了NAToUnknown
)。
編輯(Ramnath 在評論中要求的更優雅的解決方案):
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
我希望我一開始就這樣做!
EDIT2 (一年多后,現在)
還有set()
。 如果有很多列被循環,這會更快,因為它避免了在循環中調用[,:=,]
的(小)開銷。 set
是一個可循環的:=
。 參見?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)
}
這是我能想到的最簡單的一個:
dt[is.na(dt)] <- 0
效率高,無需編寫函數和其他膠水代碼。
為此目的的專用函數( nafill
和setnafill
)在data.table
包(版本 >= 1.12.4)中可用:
它並行處理列,因此可以很好地解決以前發布的基准測試,低於其計時與迄今為止最快的方法,並且還使用 40 核機器進行了擴展。
library(data.table)
create_dt <- function(nrow=5, ncol=5, propNA = 0.5){
v <- runif(nrow * ncol)
v[sample(seq_len(nrow*ncol), propNA * nrow*ncol)] <- NA
data.table(matrix(v, ncol=ncol))
}
f_dowle3 = function(DT) {
for (j in seq_len(ncol(DT)))
set(DT,which(is.na(DT[[j]])),j,0)
}
set.seed(1)
dt1 = create_dt(2e5, 200, 0.1)
dim(dt1)
#[1] 200000 200
dt2 = copy(dt1)
system.time(f_dowle3(dt1))
# user system elapsed
# 0.193 0.062 0.254
system.time(setnafill(dt2, fill=0))
# user system elapsed
# 0.633 0.000 0.020 ## setDTthreads(1) elapsed: 0.149
all.equal(dt1, dt2)
#[1] TRUE
set.seed(1)
dt1 = create_dt(2e7, 200, 0.1)
dim(dt1)
#[1] 20000000 200
dt2 = copy(dt1)
system.time(f_dowle3(dt1))
# user system elapsed
# 22.997 18.179 41.496
system.time(setnafill(dt2, fill=0))
# user system elapsed
# 39.604 36.805 3.798
all.equal(dt1, dt2)
#[1] TRUE
library(data.table)
DT = data.table(a=c(1,"A",NA),b=c(4,NA,"B"))
DT
a b
1: 1 4
2: A NA
3: NA B
DT[,lapply(.SD,function(x){ifelse(is.na(x),0,x)})]
a b
1: 1 4
2: A 0
3: 0 B
僅供參考,比 gdata 或 data.matrix 慢,但僅使用 data.table 包並且可以處理非數字條目。
這是在gdata
包中使用NAToUnknown
的解決方案。 我使用 Andrie 的解決方案創建了一個巨大的數據表,還包括與 Andrie 的解決方案的時間比較。
# CREATE DATA TABLE
dt1 = create_dt(2e5, 200, 0.1)
# FUNCTIONS TO SET NA TO ZERO
f_gdata = function(dt, un = 0) gdata::NAToUnknown(dt, un)
f_Andrie = function(dt) remove_na(dt)
# COMPARE SOLUTIONS AND TIMES
system.time(a_gdata <- f_gdata(dt1))
user system elapsed
4.224 2.962 7.388
system.time(a_andrie <- f_Andrie(dt1))
user system elapsed
4.635 4.730 20.060
identical(a_gdata, g_andrie)
TRUE
我的理解是,在 R 中快速操作的秘訣是利用向量(或數組,它們是引擎蓋下的向量。)
在這個解決方案中,我使用了一個data.matrix
,它是一個array
但行為有點像data.frame
。 因為它是一個數組,您可以使用非常簡單的向量替換來替換NA
:
刪除NA
的小輔助函數。 本質是一行代碼。 我這樣做只是為了衡量執行時間。
remove_na <- function(x){
dm <- data.matrix(x)
dm[is.na(dm)] <- 0
data.table(dm)
}
用於創建給定大小的data.table
的小輔助函數。
create_dt <- function(nrow=5, ncol=5, propNA = 0.5){
v <- runif(nrow * ncol)
v[sample(seq_len(nrow*ncol), propNA * nrow*ncol)] <- NA
data.table(matrix(v, ncol=ncol))
}
小樣本演示:
library(data.table)
set.seed(1)
dt <- create_dt(5, 5, 0.5)
dt
V1 V2 V3 V4 V5
[1,] NA 0.8983897 NA 0.4976992 0.9347052
[2,] 0.3721239 0.9446753 NA 0.7176185 0.2121425
[3,] 0.5728534 NA 0.6870228 0.9919061 NA
[4,] NA NA NA NA 0.1255551
[5,] 0.2016819 NA 0.7698414 NA NA
remove_na(dt)
V1 V2 V3 V4 V5
[1,] 0.0000000 0.8983897 0.0000000 0.4976992 0.9347052
[2,] 0.3721239 0.9446753 0.0000000 0.7176185 0.2121425
[3,] 0.5728534 0.0000000 0.6870228 0.9919061 0.0000000
[4,] 0.0000000 0.0000000 0.0000000 0.0000000 0.1255551
[5,] 0.2016819 0.0000000 0.7698414 0.0000000 0.0000000
為了完整起見,另一種用 0 替換 NAs 的方法是使用
f_rep <- function(dt) {
dt[is.na(dt)] <- 0
return(dt)
}
為了比較結果和時間,我結合了迄今為止提到的所有方法。
set.seed(1)
dt1 <- create_dt(2e5, 200, 0.1)
dt2 <- dt1
dt3 <- dt1
system.time(res1 <- f_gdata(dt1))
User System verstrichen
3.62 0.22 3.84
system.time(res2 <- f_andrie(dt1))
User System verstrichen
2.95 0.33 3.28
system.time(f_dowle2(dt2))
User System verstrichen
0.78 0.00 0.78
system.time(f_dowle3(dt3))
User System verstrichen
0.17 0.00 0.17
system.time(res3 <- f_unknown(dt1))
User System verstrichen
6.71 0.84 7.55
system.time(res4 <- f_rep(dt1))
User System verstrichen
0.32 0.00 0.32
identical(res1, res2) & identical(res2, res3) & identical(res3, res4) & identical(res4, dt2) & identical(dt2, dt3)
[1] TRUE
所以新方法比f_dowle3
但比所有其他方法都快。 但老實說,這違背了我對 data.table 語法的直覺,我不知道為什么會這樣。 有人可以啟發我嗎?
使用最新的data.table
版本 1.12.6 中的fifelse
函數,它甚至比gdata
包中的NAToUnknown
快 10 倍:
z = data.table(x = sample(c(NA_integer_, 1), 2e7, TRUE))
system.time(z[,x1 := gdata::NAToUnknown(x, 0)])
# user system elapsed
# 0.798 0.323 1.173
system.time(z[,x2:= fifelse(is.na(x), 0, x)])
# user system elapsed
# 0.172 0.093 0.113
要推廣到許多列,您可以使用這種方法(使用以前的示例數據但添加一列):
z = data.table(x = sample(c(NA_integer_, 1), 2e7, TRUE), y = sample(c(NA_integer_, 1), 2e7, TRUE))
z[, names(z) := lapply(.SD, function(x) fifelse(is.na(x), 0, x))]
雖然沒有測試速度
> DT = data.table(a=LETTERS[c(1,1:3,4:7)],b=sample(c(15,51,NA,12,21),8,T),key="a")
> DT
a b
1: A 12
2: A NA
3: B 15
4: C NA
5: D 51
6: E NA
7: F 15
8: G 51
> DT[is.na(b),b:=0]
> DT
a b
1: A 12
2: A 0
3: B 15
4: C 0
5: D 51
6: E 0
7: F 15
8: G 51
>
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.