filtrar - La forma más rápida de reemplazar NA en una gran tabla de datos

reemplazar na en r

Question

Tengo una gran data.table , con muchos valores perdidos diseminados por sus ~ 200k filas y 200 columnas. Me gustaría volver a codificar esos valores NA en ceros de la manera más eficiente posible.

Veo dos opciones:
1: Convierte a un data.frame, y usa algo como esto
2: Algún tipo de comando de configuración de sub.

Estaré contento con una solución bastante eficiente de tipo 1. La conversión a un data.frame y luego de vuelta a un data.table no tomará demasiado tiempo.

Answer 1

Aquí está el más simple que pude encontrar:

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

Es eficiente y no es necesario escribir funciones y otros códigos de pegamento.

Answer 2

Aquí hay una solución que usa data.table ''s := operator, 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, se necesita una llamada explícita a la función de copy para hacer una copia local de todo el conjunto de datos. setkey de setkey , key<- y := no copiar-en-escribir.

A continuación, veamos dónde f_dowle está pasando su tiempo.

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.replace is.na , donde hay algunas copias vectoriales y escaneos vectoriales. Esos pueden ser eliminados con bastante facilidad escribiendo una pequeña función en C que reemplaza NA por referencia en el vector. Eso al menos reduciría a la mitad los 20 segundos, creo. ¿Existe tal función en cualquier paquete R?

La razón f_andrie fracasa el f_andrie puede deberse a que copia el conjunto de dt1 o crea una matriz lógica del dt1 de dt1 varias veces. Los otros 2 métodos funcionan en una columna a la vez (aunque solo miré brevemente a NAToUnknown ).

EDITAR (solución más elegante solicitada 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 una gran cantidad de columnas en bucle, ya que evita la sobrecarga (pequeña) de llamar a [,:=,] en un bucle. set es un loopable := . 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)
}

Answer 3

Aquí hay una solución que usa NAToUnknown en el paquete gdata . Utilicé la solución de Andrie para crear una gran tabla de datos y también incluí las comparaciones de tiempo con la solución de Andrie.

# 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

Answer 4

Para completar, otra forma de reemplazar NA con 0 es usar

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

Para comparar resultados y tiempos, he incorporado todos los enfoques mencionados hasta ahora.

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

Entonces, el nuevo enfoque es un poco más lento que f_dowle3 pero más rápido que todos los demás enfoques. Pero para ser honesto, esto va en contra de mi intuición de la sintaxis data.table y no tengo idea de por qué funciona esto. ¿Alguien puede iluminarme?

Answer 5

Según tengo entendido, el secreto para las operaciones rápidas en R es utilizar vectores (o matrices, que son vectores bajo el capó).

En esta solución, uso una data.matrix que es una array pero se comporta como un data.frame . Como es una matriz, puede usar una sustitución vectorial muy simple para reemplazar las NA :

Una pequeña función auxiliar para eliminar las NA . La esencia es una sola línea de código. Solo hago esto para medir el tiempo de ejecución.

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

Una pequeña función auxiliar para crear una data.table de data.table de un tamaño dado.

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))
}

Demostración en una pequeña muestra:

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

Answer 6

> 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
>

Answer 7

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

Solo como referencia, más lento en comparación con gdata o data.matrix, pero usa solo el paquete data.table y puede tratar con entradas no numéricas.