r - 在大型数据表中替换 NA 的最快方法

Question

我有一个大data.table ，许多缺失值分散在大约 20 万行和 200 列中。我想尽可能有效地将这些 NA 值重新编码为零。

我看到两个选项:
1:转换为data.frame，并使用一些东西like this
2:某种很酷的data.table子设置命令

我会对类型 1 的相当有效的解决方案感到满意。转换为 data.frame，然后再转换回 data.table 不会花费太长时间。

Answer 1

这是使用 data.table 的解决方案的:=运算符，以 Andrie 和 Ramnath 的答案为基础。

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，则显式调用 copy需要函数来制作整个数据集的本地副本。数据表的setkey , key<-和:=不要写时复制。

接下来，让我们看看 f_dowle 都把时间花在哪里了。

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，我将重点关注 na.replace和is.na ，其中有一些矢量副本和矢量扫描。通过编写一个小的 na.replace C 函数来更新 NA ，可以很容易地消除这些问题。通过向量中的引用。我认为这至少可以将 20 秒时间缩短一半。 R 包中是否存在这样的函数？

原因f_andrie失败可能是因为它复制了整个 dt1 ，或者创建一个与整个dt1一样大的逻辑矩阵，几次。其他 2 种方法一次只处理一列(尽管我只简单地查看过 NAToUnknown )。

编辑(根据 Ramnath 在评论中要求的更优雅的解决方案):

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() 。如果有很多列被循环，这可能会更快，因为它避免了调用 [,:=,] 的(小)开销。循环中。 set是一个可循环的:= 。请参阅?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)
}