Najszybszy sposób na zastąpienie NAs dużymi danymi.tabela
Mam duże Dane.tabela , z wieloma brakującymi wartościami rozrzuconymi po ~200k wierszach i 200 kolumnach. Chciałbym ponownie kodować te wartości NA do zer tak efektywnie, jak to możliwe.
Widzę dwie opcje:
1: Konwersja na dane.ramki i użyj czegoś Jak to
2: jakieś fajne dane.polecenie setting sub table
Będę zadowolony z dość wydajnego rozwiązania typu 1. Konwersja na dane.Klatka, a następnie z powrotem do danych.tabela nie bierze za długo.
7 answers
Oto rozwiązanie wykorzystujące dane.operator table'S :=
, bazując na odpowiedziach Andrie i Ramnatha.
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
Zauważ, że f_dowle zaktualizował dt1 przez odniesienie. Jeśli wymagana jest lokalna kopia, to do wykonania lokalnej kopii całego zbioru danych potrzebne jest jawne wywołanie funkcji copy
. data.Tabela setkey
, key<-
i :=
nie kopiuj przy zapisie.
Następnie zobaczmy, gdzie f_dowle spędza swój czas.
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 ...
Tam skupiłbym się na na.replace
i is.na
, gdzie istnieje kilka kopii wektorowych i skanów wektorowych. Można je dość łatwo wyeliminować, pisząc małe na.zastąp funkcję C, która aktualizuje NA
przez odniesienie w wektorze. To przynajmniej zmniejszyłoby o połowę 20 sekund. Czy taka funkcja istnieje w dowolnym pakiecie R?
Powodem niepowodzenia f_andrie
może być to, że kopiuje całość dt1
, lub tworzy matrycę logiczną tak dużą jak całość dt1
, kilka razy. Pozostałe 2 metody działają na jednej kolumnie naraz (chociaż tylko krótko spojrzał na NAToUnknown
).
EDIT (bardziej eleganckie rozwiązanie, o które prosi Ramnath w komentarzach):
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
[[21]} chciałbym to zrobić w ten sposób, aby zacząć!
EDIT2 (ponad rok później, teraz)
Istnieje również set()
. Może to być szybsze, jeśli wiele kolumn jest zapętlonych, ponieważ unika się (małego) narzutu wywołania [,:=,]
W pętli. set
jest pętlą :=
. Zobacz ?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)
}
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2017-01-04 07:09:51
Oto najprostszy, jaki mogłem wymyślić:
dt[is.na(dt)] <- 0
Jest wydajny i nie ma potrzeby pisania funkcji i innego kodu kleju.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2016-10-12 13:09:46
Oto rozwiązanie za pomocą NAToUnknown
w pakiecie gdata
. Użyłem rozwiązania Andrie do stworzenia ogromnej tabeli danych, a także porównania czasu z rozwiązaniem 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
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2011-08-30 17:36:41
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
Tylko dla odniesienia, wolniej w porównaniu do gdata lub danych.matrycy, ale wykorzystuje tylko dane.pakiet tabeli i może zajmować się wpisami nie numerycznymi.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2016-05-08 09:46:51
Ze względu na kompletność, innym sposobem zastąpienia NAs przez 0 jest użycie
f_rep <- function(dt) {
dt[is.na(dt)] <- 0
return(dt)
}
Aby porównać wyniki i czasy, włączyłem wszystkie dotychczas wymienione podejścia.
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
Więc nowe podejście jest nieco wolniejsze niż f_dowle3
, ale szybsze niż wszystkie inne podejścia. Ale szczerze mówiąc, jest to wbrew mojej intuicji danych.składnia tabeli i nie mam pojęcia dlaczego to działa. Czy ktoś może mnie oświecić?
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2015-10-15 08:16:55
Rozumiem, że sekretem szybkich operacji w R jest wykorzystanie wektorów (lub tablic, które są wektorami pod maską.)
W tym rozwiązaniu używam data.matrix
, który jest array
, ale zachowuję się trochę jak data.frame
. Ponieważ jest to tablica, można użyć bardzo prostego podstawienia wektora, aby zastąpić NA
s:
Mała funkcja pomocnicza do usuwania NA
s. istotą jest pojedyncza linia kodu. Robię to tylko dla pomiaru czasu wykonania.
remove_na <- function(x){
dm <- data.matrix(x)
dm[is.na(dm)] <- 0
data.table(dm)
}
Trochę funkcja pomocnicza do utworzenia data.table
o podanym rozmiarze.
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))
}
Demonstracja na małej próbce:
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
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2011-08-30 19:10:34
> 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
>
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2016-03-20 13:12:06