web-dev-qa-db-ja.com

大規模なデータテーブルでNAを置き換える最速の方法

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。

130
Zach

AndrieとRamnathの答えを基に、 data.table:=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setkeykey<-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.replaceis.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)
}
164
Matt Dowle

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。

21
Bar

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
11
Ramnath
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。

10
Andreas Rhode

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
5
jangorecki

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?

5
bratwoorst711

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NAsを置き換えることができます。

NAs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
4
Andrie
> 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
> 
0
Hao