Najszybszy sposób na zastąpienie NAs dużymi danymi.tabela

Oto najprostszy, jaki mogłem wymyślić:

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

Jest wydajny i nie ma potrzeby pisania funkcji i innego kodu kleju.

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

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.

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?

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

> 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
>