Zac*_*ach 137 performance r dataframe data.table
我有一个大的data.table,在其大约200k行和200列中分散了许多缺失值.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,并使用类似这样的东西
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然后返回data.table不会花费太长时间.
Mat*_*wle 169
这是使用data.table的:=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,则需要显式调用该copy函数来制作整个数据集的本地副本.data.table setkey,key<-并且:=不要写入时复制.
接下来,让我们看看f_dowle在哪里花费时间.
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 ...
在那里,我会专注于,na.replace并且is.na,有一些矢量副本和矢量扫描.通过编写一个小的na.replace C函数可以相当容易地消除这些函数,该函数NA通过向量中的引用进行更新.这至少会使我认为的20秒减半.在任何R包中都存在这样的功能吗？
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逻辑矩阵一样大的逻辑矩阵dt1.其他两种方法一次只能处理一列(尽管我只是简单地看一下NAToUnknown).
编辑(Ramnath在评论中提出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
我希望我这样开始!
EDIT2(1年后,现在)
还有set().如果有很多列被循环通过,这可以更快,因为它避免了[,:=,]在循环中调用的(小)开销.set是一个loopable :=.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)
}
Bar*_*Bar 24
这是我能想到的最简单的一个:
dt[is.na(dt)] <- 0
它非常高效,无需编写函数和其他粘合代码.
Ram*_*ath 11
下面是使用的溶液NAToUnknown中的gdata包.我使用Andrie的解决方案来创建一个巨大的数据表,还包括与Andrie解决方案的时间比较.
# 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
小智 10
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
仅供参考,与gdata或data.matrix相比较慢,但仅使用data.table包并且可以处理非数字条目.
软件包（版本> = 1.12.4）中提供了用于该目的的专用函数（nafill和）：setnafilldata.table
它并行处理各列，因此很好地解决了以前发布的基准测试，低于其时机，而到目前为止是最快的方法，并且使用40核机器进行了扩展。
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
我的理解是，在 R 中快速操作的秘诀是利用向量（或数组，它们是引擎盖下的向量。）
在这个解决方案中，我使用 a data.matrix，它是一个array但表现得有点像 a data.frame。因为它是一个数组，所以可以使用非常简单的向量替换来替换NAs：
删除NAs 的小辅助函数。本质是一行代码。我这样做只是为了衡量执行时间。
remove_na <- function(x){
dm <- data.matrix(x)
dm[is.na(dm)] <- 0
data.table(dm)
}
创建data.table一个给定大小的小辅助函数。
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))
}
小样本演示：
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
小智 5
为了完整起见,另一种用0替换NA的方法是使用
f_rep <- function(dt) {
dt[is.na(dt)] <- 0
return(dt)
}
为了比较结果和时间,我已经纳入了迄今为止提到的所有方法.
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
因此,新方法f_dowle3比所有其他方法稍慢但速度更快.但说实话,这是违反我对data.table语法的直觉,我不知道为什么会这样.任何人都可以开导我吗？
| 归档时间： |
|
| 查看次数： |
64491 次 |
| 最近记录： |