Der schnellste Weg, NAs in einer großen Datentabelle zu ersetzen

Ich habe eine große Datentabelle mit vielen fehlenden Werten, die über die ~ 200.000 Zeilen und 200 Spalten verteilt sind. Ich möchte diese NA-Werte so effizient wie möglich auf Nullen umcodieren.

Ich sehe zwei Möglichkeiten:
1: Konvertieren zu einem data.frame und Verwendung etwas wie diese
2: Irgendeine Art von kühlem data.table Unterstellbefehl

Ich bin mit einer ziemlich effizienten Lösung vom Typ 1 zufrieden. Die Konvertierung in einen data.frame und dann zurück in eine data.table dauert nicht lange.

Hier ist eine Lösung mit data.table ‚s :=Operator, aufbauend auf Andrie und Ramnath der Antworten.

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

Beachten Sie, dass f_dowle dt1 als Referenz aktualisiert hat. Wenn eine lokale Kopie erforderlich ist, ist ein expliziter Aufruf der copyFunktion erforderlich, um eine lokale Kopie des gesamten Datensatzes zu erstellen. data.table ist setkey, key<-und :=nicht Copy-on-Write.

Als nächstes wollen wir sehen, wo f_dowle seine Zeit verbringt.

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 ...

Dort würde ich mich auf na.replaceund konzentrieren is.na, wo es ein paar Vektorkopien und Vektorscans gibt. Diese können ziemlich einfach beseitigt werden, indem eine kleine na.replace C-Funktion geschrieben wird, die NAdurch Referenz im Vektor aktualisiert wird. Das würde mindestens die 20 Sekunden halbieren, denke ich. Existiert eine solche Funktion in einem R-Paket?

Der Grund dafür f_andriekann sein, dass einige Male das Ganze kopiert dt1oder eine logische Matrix erstellt wird, die so groß wie das Ganze dt1ist. Die anderen beiden Methoden arbeiten jeweils an einer Spalte (obwohl ich sie mir nur kurz angesehen habe NAToUnknown).

EDIT (elegantere Lösung, wie von Ramnath in Kommentaren gefordert):

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

Ich wünschte, ich hätte es so gemacht!

EDIT2 (über 1 Jahr später, jetzt)

Es gibt auch set(). Dies kann schneller sein, wenn viele Spalten durchlaufen werden, da der (geringe) Aufwand beim Aufrufen [,:=,]einer Schleife vermieden wird. setist eine Schleife :=. Siehe ?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)
}

Hier ist die einfachste, die ich mir vorstellen kann:

dt[is.na(dt)] <- 0

Es ist effizient und es müssen keine Funktionen und kein anderer Klebercode geschrieben werden.

Spezielle Funktionen ( nafillund setnafill) für diesen Zweck sind im data.tablePaket verfügbar (Version> = 1.12.4):

Es verarbeitet Spalten parallel, um zuvor veröffentlichte Benchmarks so gut zu adressieren, dass sie unter den Zeitpunkten im Vergleich zum bisher schnellsten Ansatz liegen, und skaliert sie auch mithilfe einer 40-Kerne-Maschine.

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

Nur als Referenz, langsamer im Vergleich zu gdata oder data.matrix, verwendet jedoch nur das Paket data.table und kann nicht numerische Einträge verarbeiten.

Hier ist eine Lösung, die NAToUnknownim gdataPaket verwendet wird. Ich habe Andries Lösung verwendet, um eine riesige Datentabelle zu erstellen, und auch Zeitvergleiche mit Andries Lösung aufgenommen.

# 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

Der Vollständigkeit halber können Sie NAs auch durch 0 ersetzen

f_rep <- function(dt) {
dt[is.na(dt)] <- 0
return(dt)
}

Um Ergebnisse und Zeiten zu vergleichen, habe ich alle bisher genannten Ansätze berücksichtigt.

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

Der neue Ansatz ist also etwas langsamer als, f_dowle3aber schneller als alle anderen Ansätze. Aber um ehrlich zu sein, ist dies gegen meine Intuition der data.table-Syntax und ich habe keine Ahnung, warum dies funktioniert. Kann mich jemand aufklären?

Mein Verständnis ist, dass das Geheimnis schneller Operationen in R darin besteht, Vektoren (oder Arrays, die Vektoren unter der Haube sind) zu verwenden.

In dieser Lösung verwende ich ein, data.matrixdas ein ist array, sich aber ein bisschen wie ein verhalte data.frame. Da es sich um ein Array handelt, können Sie eine sehr einfache Vektorsubstitution verwenden, um das NAs zu ersetzen :

Eine kleine Hilfsfunktion zum Entfernen des NAs. Die Essenz ist eine einzelne Codezeile. Ich mache das nur, um die Ausführungszeit zu messen.

remove_na <- function(x){
  dm <- data.matrix(x)
  dm[is.na(dm)] <- 0
  data.table(dm)
}

Eine kleine Hilfsfunktion zum Erstellen data.tableeiner bestimmten Größe.

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))
}

Demonstration an einer winzigen Probe:

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

Um auf viele Spalten zu verallgemeinern, können Sie diesen Ansatz verwenden (unter Verwendung vorheriger Beispieldaten, aber Hinzufügen einer Spalte):

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))]

Ich habe die Geschwindigkeit allerdings nicht getestet

> 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
> 

Mit der fifelseFunktion aus den neuesten data.tableVersionen 1.12.6 ist sie sogar zehnmal schneller als NAToUnknownim gdataPaket:

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