Самый быстрый способ заменить NA в большом data.table
У меня есть большая таблица данных, со многими пропущенными значениями, разбросанными по строкам ~200 тыс. И 200 столбцам. Я хотел бы максимально эффективно перекодировать эти значения NA в нули.
Я вижу два варианта:
1: преобразовать в data.frame и использовать что-то вроде этого
2: Какая-то классная команда подустановки data.table
Я буду доволен довольно эффективным решением типа 1. Преобразование в data.frame, а затем обратно в data.table не займет много времени.
11 ответов
Вот решение с использованием data.table:= оператор, опираясь на ответы Андри и Рамната.
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
Обратите внимание, что f_dowle обновил dt1 по ссылке. Если требуется локальная копия, то явный вызов copy Функция необходима для создания локальной копии всего набора данных. data.table-х setkey, key<- а также := не копировать при записи.
Далее, давайте посмотрим, где f_dowle проводит свое время.
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 ...
Там я бы сосредоточился на na.replace а также is.naгде есть несколько векторных копий и векторных сканов. Их можно легко устранить, написав небольшую функцию C на.replace, которая обновляет NA по ссылке в векторе. Это, по крайней мере, вдвое сократило бы 20 секунд, я думаю. Существует ли такая функция в каком-либо пакете R?
Причина f_andrie может быть, потому что он копирует все dt1или создает логическую матрицу размером с целое dt1, несколько раз. Два других метода работают с одним столбцом за раз (хотя я только кратко рассмотрел NAToUnknown).
РЕДАКТИРОВАТЬ (более элегантное решение в соответствии с просьбой Рамната в комментариях):
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
Хотелось бы, чтобы я сделал это таким образом, чтобы начать с!
EDIT2 (более 1 года спустя, сейчас)
Существует также set(), Это может быть быстрее, если проходит много столбцов, поскольку это позволяет избежать (небольших) накладных расходов на вызов [,:=,] в петле. set это петли :=, Увидеть ?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)
}
Вот самый простой, который я мог придумать:
dt[is.na(dt)] <- 0
Это эффективно и не требует написания функций и другого связующего кода.
Выделенная функция (nafill / setnafill) для этого подходит к data.table пакет, уже можно проверить установку из ветки
devtools::install_github("Rdatatable/data.table@nafill")
Он обрабатывает столбцы параллельно, так что хорошо справляется с ранее опубликованными контрольными показателями, ниже своего времени по сравнению с самым быстрым до настоящего времени подходом, а также масштабируется, используя 40-ядерный компьютер.
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
Просто для справки, медленнее по сравнению с gdata или data.matrix, но использует только пакет data.table и может работать с нечисловыми записями.
Вот решение с использованием NAToUnknown в gdata пакет. Я использовал решение Andrie для создания огромной таблицы данных, а также включил сравнение времени с решением Andrie.
# 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
Для полноты, другой способ заменить NA на 0 - это использовать
f_rep <- function(dt) {
dt[is.na(dt)] <- 0
return(dt)
}
Для сравнения результатов и времени я включил все упомянутые подходы.
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
Таким образом, новый подход немного медленнее, чем f_dowle3 но быстрее, чем все остальные подходы. Но, честно говоря, это противоречит моей интуиции синтаксиса data.table, и я понятия не имею, почему это работает. Кто-нибудь может просветить меня?
Насколько я понимаю, секрет быстрых операций в R заключается в использовании вектора (или массивов, которые являются векторами под капотом).
В этом решении я использую data.matrix который является array но вести себя немного как data.frame, Поскольку это массив, вы можете использовать очень простую векторную замену для замены NAs:
Маленькая вспомогательная функция для удаления NAs. Суть в одной строке кода. Я делаю это только для измерения времени выполнения.
remove_na <- function(x){
dm <- data.matrix(x)
dm[is.na(dm)] <- 0
data.table(dm)
}
Маленькая вспомогательная функция для создания data.table данного размера.
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))
}
Демонстрация на крошечном образце:
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
Используя fifelse функция из новейших data.table версии 1.12.6, это даже в 10 раз быстрее, чем NAToUnknown в gdata пакет:
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
Чтобы обобщить на многие столбцы, вы можете использовать этот подход (используя предыдущие образцы данных, но добавив столбец):
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))]
Хотя не проверял скорость
Быстрая альтернатива —collapse::replace_NA, который по умолчанию заменяет NA на 0.
library(collapse)
replace_NA(df)
Микробенчмарк на фрейме данных с 10 столбцами по 1 млн строк и 10% NA.
# Unit: milliseconds
# expr min lq mean median uq max neval
# f_dowle3 30.9308 34.44890 50.46713 47.33065 58.04780 160.4836 100
# setnafill 10.3389 10.92065 12.34867 11.79305 13.41090 22.0207 100
# replace_NA 9.9896 10.98030 15.19177 12.87030 17.00505 83.5094 100
Код:
library(data.table)
library(collapse)
library(microbenchmark)
set.seed(1)
df <- as.data.frame(replicate(10, runif(1e6)))
df <- na_insert(df, prop = 0.1)
dt <- df
setDT(dt)
f_dowle3 = function() {
for (j in seq_len(ncol(dt)))
set(dt, which(is.na(dt[[j]])),j,0)
}
mb <-
microbenchmark(
f_dowle3 = f_dowle3(),
setnafill = data.table::setnafill(dt, fill = 0),
replace_NA = collapse::replace_NA(dt, set = TRUE)
)
> 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
>