大きな data.table があり、多くの欠損値が〜200k行と200列に散らばっています。これらのNA値を可能な限り効率的にゼロに再コーディングしたいと思います。
次の2つのオプションがあります。
1:data.frameに変換し、何かを使用します このような
2:ある種のクールなdata.tableサブ設定コマンド
タイプ1の非常に効率的なソリューションに満足します。data.frameに変換してからdata.tableに戻すのに時間がかかりません。
AndrieとRamnathの答えを基に、 data.table の:=
演算子を使用したソリューションを次に示します。
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
F_dowleが参照によりdt1を更新したことに注意してください。ローカルコピーが必要な場合、データセット全体のローカルコピーを作成するには、copy
関数の明示的な呼び出しが必要です。 data.tableのsetkey
、key<-
および:=
は、コピーオンライトを行いません。
次に、f_dowleがどこで時間を費やしているかを見てみましょう。
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 ...
そこで、na.replace
とis.na
に注目します。ここでは、いくつかのベクターコピーとベクタースキャンがあります。これらは、ベクターの参照によってNA
を更新する小さなna.replace C関数を記述することで、かなり簡単に削除できます。それは少なくとも私が思う20秒を半減させるでしょう。そのような関数はどのRパッケージにも存在しますか?
f_andrie
が失敗する理由は、dt1
全体をコピーするか、dt1
全体と同じ大きさの論理行列を数回作成するためです。他の2つのメソッドは、一度に1つの列で機能します(ただし、NAToUnknown
を簡単に見てきました)。
EDIT(コメントでRamnathが要求したよりエレガントなソリューション):
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
そもそもそうしてやればいいのに!
EDIT2(1年後、現在)
set()
もあります。これは、ループ内で[,:=,]
を呼び出す(小さな)オーバーヘッドを回避するため、ループされる列が多い場合は高速になります。 set
はループ可能:=
です。 ?set
を参照してください。
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)
}
これが私が思いつく最も簡単なものです:
dt[is.na(dt)] <- 0
効率的で、関数やその他のグルーコードを記述する必要はありません。
NAToUnknown
パッケージのgdata
を使用したソリューションは次のとおりです。 Andrieのソリューションを使用して巨大なデータテーブルを作成し、Andrieのソリューションとの時間比較も含めました。
# 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
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
参考までに、gdataやdata.matrixと比較して低速ですが、data.tableパッケージのみを使用し、非数値エントリを処理できます。
そのための専用関数(nafill
/setnafill
)は最近のdata.table
パッケージにあります
install.packages("data.table", repos="https://Rdatatable.gitlab.io/data.table")
列を並行して処理するため、これまでのタイミング対最速のアプローチを下回る、以前に投稿されたベンチマークに適切に対応し、40コアのマシンを使用してスケールアップしました。
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
完全を期すために、NAを0に置き換える別の方法は、
f_rep <- function(dt) {
dt[is.na(dt)] <- 0
return(dt)
}
結果と時間を比較するために、これまでに述べたすべてのアプローチを取り入れました。
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
そのため、新しいアプローチはf_dowle3
よりわずかに遅いですが、他のすべてのアプローチよりも高速です。しかし、正直なところ、これはdata.table構文の直感に反するものであり、なぜこれが機能するのかわかりません。誰でも私を啓発できますか?
私の理解では、Rでの高速操作の秘vectorは、ベクトル(または内部のベクトルである配列)を利用することです。
このソリューションでは、array
であるdata.matrix
を使用しますが、data.frame
のように動作します。配列であるため、非常に単純なベクトル置換を使用してNA
sを置き換えることができます。
NA
sを削除する小さなヘルパー関数。本質は、1行のコードです。これは、実行時間を測定するためだけに行います。
remove_na <- function(x){
dm <- data.matrix(x)
dm[is.na(dm)] <- 0
data.table(dm)
}
指定されたサイズのdata.table
を作成する小さなヘルパー関数。
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))
}
小さなサンプルのデモンストレーション:
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
> 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
>