在大型 data.table 中更換 NA 的最快方法

Question

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。

Answer 1

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)
}

Answer 2

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。

Answer 3

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

Answer 4

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。

Answer 5

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

Answer 6

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

Answer 7

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？

Answer 8

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 

Answer 9

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

Answer 10

> 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
>