La forma más rápida de reemplazar NA en una tabla de datos grande
Tengo una tabla de datos grande , con muchos valores faltantes repartidos por sus ~200k filas y 200 columnas. Me gustaría volver a codificar esos valores de NA a ceros de la manera más eficiente posible.
Veo dos opciones:
1: Convertir a un data.frame y usar algo como esto
2: Algún tipo de comando de subconfiguración interesante de data.table
Estaré contento con una solución bastante eficiente del tipo 1. Convertir a un marco de datos y luego volver a una tabla de datos no llevará mucho tiempo.
Aquí hay una solución que utiliza el operador data.table:= , basándose en las respuestas de Andrie y Ramnath.
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
Tenga en cuenta que f_dowle actualizó dt1 por referencia. Si se requiere una copia local, entonces copyse necesita una llamada explícita a la función para hacer una copia local de todo el conjunto de datos. data.table's setkeyy key<-no :=copiar en escritura.
A continuación, veamos dónde pasa su tiempo f_dowle.
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 ...
Allí, me centraría en na.replacey is.na, donde hay algunas copias y escaneos de vectores. Estos pueden eliminarse con bastante facilidad escribiendo una pequeña función na.replace C que se actualice NApor referencia en el vector. Creo que eso reduciría al menos a la mitad los 20 segundos. ¿Existe tal función en algún paquete R?
La razón por f_andriela que falla puede ser porque copia todo dt1o crea una matriz lógica tan grande como todo dt1varias veces. Los otros 2 métodos funcionan en una columna a la vez (aunque solo los miré brevemente NAToUnknown).
EDITAR (solución más elegante según lo solicitado por Ramnath en los comentarios):
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
¡Ojalá lo hubiera hecho así para empezar!
EDIT2 (más de 1 año después, ahora)
También hay set(). Esto puede ser más rápido si hay muchas columnas en bucle, ya que evita la (pequeña) sobrecarga de llamar [,:=,]en un bucle. setes un bucle :=. Ver ?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)
}
Aquí está el más simple que se me ocurrió:
dt[is.na(dt)] <- 0
Es eficiente y no es necesario escribir funciones ni otros códigos adhesivos.
