วิธีที่เร็วที่สุดในการแทนที่ NAs ใน data.table ขนาดใหญ่

ฉันมีdata.tableขนาดใหญ่โดยมีค่าที่หายไปจำนวนมากกระจายอยู่ทั่วแถว ~ 200k และ 200 คอลัมน์ ฉันต้องการโค้ดค่า NA เหล่านั้นให้เป็นศูนย์อีกครั้งอย่างมีประสิทธิภาพที่สุด

ฉันเห็นสองตัวเลือก:
1: แปลงเป็น data.frame และใช้บางสิ่งเช่นนี้
2: คำสั่งการตั้งค่าย่อย data.table บางประเภท

ฉันจะมีความสุขกับการแก้ปัญหาอย่างมีประสิทธิภาพของประเภท 1 การแปลง data.frame แล้วกลับไปที่ data.table จะไม่ใช้เวลานานเกินไป

นี่คือวิธีการแก้ปัญหาโดยใช้โอเปอเรเตอร์ของdata.tableโดยใช้:=คำตอบของ Andrie และ 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

โปรดทราบว่า f_dowle อัพเดต dt1 โดยอ้างอิง หากจำเป็นต้องมีการคัดลอกภายในเครื่องจำเป็นต้องทำการเรียกใช้copyงานฟังก์ชั่นอย่างชัดเจนเพื่อทำสำเนาภายในเครื่องของชุดข้อมูลทั้งหมด ของ data.table setkey, key<-และ:=ไม่ได้คัดลอกเมื่อเขียน

ต่อไปมาดูกันว่า f_dowle ใช้เวลาไหน

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 ...

ที่นั่นฉันจะเน้นna.replaceและis.naที่มีสำเนาเวกเตอร์และสแกนเวกเตอร์ไม่กี่ สิ่งเหล่านั้นสามารถถูกกำจัดได้อย่างง่ายดายโดยการเขียนฟังก์ชัน na.replace C ขนาดเล็กที่อัพเดตNAโดยการอ้างอิงในเวกเตอร์ อย่างน้อยก็จะลดลงครึ่งหนึ่งใน 20 วินาทีที่ฉันคิด ฟังก์ชั่นดังกล่าวมีอยู่ในแพ็คเกจ R หรือไม่?

เหตุผลที่f_andrieล้มเหลวอาจเป็นเพราะมันคัดลอกทั้งหมดdt1หรือสร้างเมทริกซ์เชิงตรรกะที่มีขนาดใหญ่เท่า ๆ กันทั้งหมดdt1สองสามครั้ง อีก 2 วิธีใช้งานได้ครั้งละหนึ่งคอลัมน์ (แม้ว่าฉันจะดูเพียงช่วงสั้น ๆ เท่านั้นNAToUnknown)

แก้ไข (โซลูชันที่หรูหรากว่าตามที่ Ramnath ร้องขอในความคิดเห็น):

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

ฉันหวังว่าฉันจะทำอย่างนั้นเพื่อเริ่มต้น!

EDIT2 (มากกว่า 1 ปีต่อมาตอนนี้)

set()นอกจากนี้ยังมี สิ่งนี้จะเร็วขึ้นหากมีคอลัมน์จำนวนมากที่ถูกวนซ้ำผ่านเนื่องจากจะเป็นการหลีกเลี่ยงโอเวอร์เฮด (เล็ก) ของการโทร[,:=,]ในลูป setเป็นลู:=ป ?setดู

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)
}

นี่คือวิธีที่ง่ายที่สุดที่ฉันจะได้รับ:

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

มันมีประสิทธิภาพและไม่จำเป็นต้องเขียนฟังก์ชั่นและรหัสกาวอื่น ๆ

ฟังก์ชั่นเฉพาะ ( nafillและsetnafill) สำหรับวัตถุประสงค์นั้นมีอยู่ในdata.tableแพ็คเกจ (เวอร์ชั่น> = 1.12.4):

มันประมวลผลคอลัมน์แบบขนานเพื่อตอบสนองต่อการโพสต์มาตรฐานก่อนหน้านี้ต่ำกว่าการกำหนดเวลาเทียบกับวิธีที่เร็วที่สุดจนถึงขณะนี้และปรับขนาดด้วยเครื่อง 40 คอร์

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

เพียงเพื่อการอ้างอิงช้ากว่าเมื่อเปรียบเทียบกับ gdata หรือ data.matrix แต่ใช้เฉพาะ data.table package และสามารถจัดการกับรายการที่ไม่ใช่ตัวเลข

นี่คือทางออกที่ใช้NAToUnknownในgdataแพ็คเกจ ฉันใช้โซลูชันของ Andrie เพื่อสร้างตารางข้อมูลขนาดใหญ่และรวมถึงการเปรียบเทียบเวลากับโซลูชันของ 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

เพื่อประโยชน์ของความสมบูรณ์วิธีอื่นในการแทนที่ NAs ด้วย 0 คือการใช้

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

เพื่อเปรียบเทียบผลลัพธ์และเวลาที่ฉันได้รวมวิธีการทั้งหมดที่กล่าวถึง

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

ดังนั้นวิธีการใหม่จะช้ากว่าเล็กน้อยf_dowle3แต่เร็วกว่าวิธีอื่น ๆ ทั้งหมด แต่ความจริงแล้วนี่ขัดกับสัญชาตญาณของ data.table Syntax ของฉันและฉันก็ไม่รู้ว่าทำไมงานนี้ ใครช่วยฉันได้บ้าง

ความเข้าใจของฉันคือความลับในการดำเนินการอย่างรวดเร็วใน R คือการใช้ประโยชน์เวกเตอร์ (หรืออาร์เรย์ซึ่งเป็นเวกเตอร์ภายใต้ประทุน)

ในการแก้ปัญหานี้ฉันจะทำให้การใช้งานของdata.matrixซึ่งเป็นแต่ทำตัวเหมือนเป็นarray data.frameเนื่องจากเป็นอาร์เรย์คุณสามารถใช้การแทนที่เวกเตอร์ง่าย ๆ เพื่อแทนที่NAs:

ฟังก์ชั่นตัวช่วยเล็ก ๆ น้อย ๆ ในการลบNAs สาระสำคัญคือรหัสบรรทัดเดียว ฉันทำสิ่งนี้เพื่อวัดเวลาดำเนินการเท่านั้น

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

ฟังก์ชันตัวช่วยเล็กน้อยเพื่อสร้างdata.tableขนาดที่กำหนด

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))
}

การสาธิตเกี่ยวกับตัวอย่างเล็ก ๆ :

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

ในการทำให้เป็นคอลัมน์ทั่วไปหลายคอลัมน์คุณสามารถใช้วิธีนี้ (ใช้ข้อมูลตัวอย่างก่อนหน้า แต่เพิ่มคอลัมน์):

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))]

ไม่ได้ทดสอบความเร็ว

> 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
> 

การใช้fifelseฟังก์ชั่นจากdata.tableเวอร์ชั่นใหม่ล่าสุด1.12.6 มันเร็วกว่าถึง 10 เท่าNAToUnknownในgdataแพ็คเกจ:

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