Najszybszy sposób na zastąpienie NA w dużej tabeli danych

Mam dużą tabelę danych z wieloma brakującymi wartościami rozrzuconymi po ~ 200 tys. Wierszach i 200 kolumnach. Chciałbym ponownie zakodować te wartości NA zera tak efektywnie, jak to możliwe.

Widzę dwie opcje:
1: Konwertuj na ramkę danych i użyj czegoś takiego
2: Jakieś fajne polecenie ustawienia podrzędnego danych. Tabeli

Będę zadowolony z dość wydajnego rozwiązania typu 1. Konwersja do pliku data.frame, a następnie z powrotem do pliku data.table nie zajmie zbyt dużo czasu.

Oto rozwiązanie przy użyciu data.table „s :=operatora, w oparciu o Andrie i odpowiedzi Ramnath użytkownika.

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 kopia lokalna, konieczne jest jawne wywołanie copyfunkcji, aby utworzyć lokalną kopię całego zestawu danych. data.table użytkownika setkey, key<-a :=nie kopiowanie przy zapisie.

Następnie zobaczmy, gdzie f_dowle spędza 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.replacei is.na, gdzie jest kilka kopii wektorowych i skanów wektorowych. Można je dość łatwo wyeliminować, pisząc małą funkcję na.replace w C, która aktualizuje się NAprzez odniesienie w wektorze. Myślę, że to przynajmniej o połowę skróciłoby te 20 sekund. Czy taka funkcja istnieje w jakimkolwiek pakiecie języka R?

Przyczyną f_andrieniepowodzenia może być to, że kopiuje on całość dt1lub tworzy dt1kilka razy logiczną macierz tak dużą, jak całość . Pozostałe 2 metody działają na jednej kolumnie naraz (chociaż przyjrzałem się im tylko krótko NAToUnknown).

EDYCJA (bardziej eleganckie rozwiązanie, o które prosił 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

Żałuję, że nie zrobiłem tego w ten sposób na początku!

EDIT2 (ponad 1 rok później, teraz)

Jest też set(). Może to być szybsze, jeśli w pętli jest dużo kolumn, ponieważ pozwala to uniknąć (małego) narzutu wywołania [,:=,]w pętli. setjest zapętlony :=. 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)
}

Oto najprostszy, jaki mogłem wymyślić:

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

Jest wydajna i nie wymaga pisania funkcji ani innego kodu kleju.

Dedykowane funkcje ( nafilli setnafill) do tego celu dostępne są w data.tablepakiecie (wersja> = 1.12.4):

Przetwarza kolumny równolegle, więc dobrze odpowiada wcześniej opublikowanym testom porównawczym, poniżej jego czasów w porównaniu z najszybszym do tej pory podejściem, a także skaluje się w górę, używając maszyny 40-rdzeniowej.

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

Tylko w celach informacyjnych, wolniej w porównaniu do gdata lub data.matrix, ale używa tylko pakietu data.table i radzi sobie z wpisami nienumerycznymi.

Oto rozwiązanie używane NAToUnknownw gdatapakiecie. Użyłem rozwiązania Andrie'ego, aby stworzyć ogromną tabelę danych, a także uwzględniłem 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

Ze względu na kompletność innym sposobem zastąpienia NA na 0 jest użycie

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

Aby porównać wyniki i czasy, zastosowałem wszystkie wspomniane dotychczas 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

Tak więc nowe podejście jest nieco wolniejsze, f_dowle3ale szybsze niż wszystkie inne podejścia. Ale szczerze mówiąc, jest to sprzeczne z moją intuicją dotyczącą składni data.table i nie mam pojęcia, dlaczego to działa. Czy ktoś może mnie oświecić?

Rozumiem, że sekret szybkich operacji w R polega na wykorzystaniu wektorów (lub tablic, które są wektorami pod maską).

W tym rozwiązaniu używam a data.matrixktóry jest a, arrayale zachowuję się trochę jak a data.frame. Ponieważ jest to tablica, możesz użyć bardzo prostego podstawienia wektora, aby zastąpić NAs:

Mała funkcja pomocnicza do usuwania NAs. Istotą jest pojedyncza linia kodu. Robię to tylko po to, aby zmierzyć czas wykonania.

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

Mała funkcja pomocnicza do tworzenia data.tablerozmiaru 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

Aby uogólnić na wiele kolumn, możesz użyć tego podejścia (używając poprzednich przykładowych danych, ale dodając kolumnę):

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))]

Nie testowałem jednak szybkości

> 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
> 

Korzystając z fifelsefunkcji z najnowszych data.tablewersji 1.12.6 jest to nawet 10 razy szybsze niż NAToUnknownw gdatapakiecie:

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