大きなdata.tableでNAを置き換える最速の方法


150

大きなdata.tableがありますあり、多くの欠損値が行と200列に散らばっています。これらのNA値をできるだけ効率的にゼロに再コーディングしたいと思います。

2つのオプションが表示されます:
1:data.frameに変換し、次のようなものを使用します
2:ある種のクールなdata.tableサブ設定コマンド

タイプ1のかなり効率的なソリューションに満足します。data.frameに変換してからdata.tableに戻すのに時間がかかりません。


5
なぜあなたは、変換したいかdata.tabledata.frame?Aがdata.table ありますdata.frame。data.frame操作はすべて機能します。
アンドリー

5
@Andrie。主な違いは、data.table列番号を指定しての列にアクセスできないことです。したがってDT[,3]、3番目の列は表示されません。これはリンクで提案された解決策をここでは実行不可能にすると思います。data.table魔法使いを使ったエレガントなアプローチがあると思います!
ラムナス2011

6
@ Ramnath、AFAIK DT[, 3, with=FALSE]は3番目の列を返します。
Andrie、

2
@Andrie。しかしmydf[is.na(mydf) == TRUE]、データフレームの処理には問題があり、mydt[is.na(mydt) == TRUE]使用しても奇妙な結果が出ますwith=FALSE
Ramnath

2
@ラムナス、要点。私の以前の発言は広すぎました、つまり私は間違っていました。ごめんなさい。data.tableは、data.tableメソッドがない場合にのみdata.framesのように動作します。
アンドリー

回答:


184

Andrie:=とRamnathの答えに基づいて構築されたdata.tableの演算子を使用したソリューションを次に示します。

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

f_dowleがdt1を参照によって更新したことに注意してください。ローカルコピーが必要な場合、copyデータセット全体のローカルコピーを作成するには、関数を明示的に呼び出す必要があります。data.table's setkeykey<-および:=コピーオンライトしないください。

次に、f_dowleが時間を費やしている場所を見てみましょう。

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 ...

そこでは、いくつかのベクターコピーとベクタースキャンがあるna.replaceis.naに焦点を当てます。これらはNA、ベクター内で参照によって更新される小さなna.replace C関数を作成することで、かなり簡単に削除できます。それは私が思う20秒を少なくとも半分にするでしょう。そのような関数はRパッケージに存在しますか?

f_andrie失敗する理由は、全体をコピーするdt1か、全体と同じ大きさの論理行列をdt1数回作成するためです。他の2つの方法は、一度に1つの列に対して機能します(ただし、NAToUnknown)。

編集(コメントでRamnathによって要求されたよりエレガントなソリューション):

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

そもそもそうやってやればいいのに!

EDIT2(1年以上後、現在)

もありset()ます。ループで呼び出さ[,:=,]れる(小さな)オーバーヘッドを回避できるため、ループされる列が多い場合、これはより高速になります。setループ可能:=です。を参照してください?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)
}

5
+!すばらしい答えです!より直感的なものと同等のeval(parse)...ものを持つことが可能 ですか?より広い意味で、私はのすべての要素で機能する操作があると便利だと思いますdata.table
ラムナス2011

1
コードの2番目のブロックは、data.tableこれを行うための最も適切な方法のようです。ありがとう!
ザック

3
@Statwonk このテストの例とは異なり、DTタイプの列があると思います。呼び出しの4番目の引数(これは例にあり、Rにdoubleと入力します)をに変更すると、警告なしに機能するはずです。logicalcreate_dt()set()0FALSE
Matt Dowle、2015年

2
@Statwonkそして、私はこのケースを緩和し、長さ1のベクトル0と1を論理に強制するときの警告を削除する機能リクエストを提出しました:#996。スピードのために、不必要な繰り返しの強制について警告されたいのでそれをしないかもしれません。
Matt Dowle、2015年

1
@StefanF Trueと私も好みseq_along(DT)ます。しかし、読者はseq_alongそれが列ではなく列に沿っていることを知っている必要があります。 seq_len(col(DT))そのため、もう少し明示的です。
Matt Dowle 2017年

28

これが私が思いつくことができる最も簡単なものです:

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

それは効率的であり、関数や他のグルーコードを書く必要はありません。


大きなデータセットと通常のワークステーションコンピューターでは動作しません(メモリ割り当てエラー)
Jake

3
@Jakeは、16GBのRAMを搭載したマシンで、3100万行、最大20列で実行できました。もちろんYMMV。
バー

私はあなたの経験的な証拠に任せます。ありがとう。
ジェイク

10
残念ながら最新バージョンのdata.tableでは機能しません。[.data.table(dt、is.na(dt))でエラーが表示されます:iは無効なタイプ(マトリックス)です。おそらく将来的には、2列のマトリックスがDTの要素のリストを返す可能性があります(FAQ 2.14のA [B]の精神で)。よろしければdatatable-helpにお知らせいただくか、FR#657にコメントを追加してください。>
skan 2017年

これは面白い!私はいつも使っていましたset
marbel

14

そのための専用関数(nafillおよびsetnafill)は、data.tableパッケージ(バージョン> = 1.12.4)で利用できます。

列を並行して処理するため、40コアのマシンを使用して、以前に投稿されたベンチマークに対応し、現在のタイミングと最速のアプローチを下回っています。

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

それは素晴らしい機能です!文字列のサポートを追加する予定ですか?次に、ここで使用できます
ismirsehregal

1
@ismirsehregalはい、この機能をここで追跡できますgithub.com/Rdatatable/data.table/issues/3992
jangorecki

12
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

参考までに、gdataやdata.matrixに比べて遅いですが、data.tableパッケージのみを使用し、非数値エントリを処理できます。


5
おそらく、ifelseを実行することにより、参照によって回避することも更新することもできDT[, names(DT) := lapply(.SD, function(x) {x[is.na(x)] <- "0" ; x})]ます。そして、あなたが言った答えよりも遅くなるとは思えません。
David Arenburg、2016年

11

これNAToUnknowngdataパッケージで使用するソリューションです。Andrieのソリューションを使用して巨大なデータテーブルを作成し、Andrieのソリューションとの時間比較も含めました。

# 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

+1良い発見。おもしろい-同じようなuser時間のタイミングを見るのは初めてですが、elapsed時間の違いが本当に大きいです。
Andrie

@Andrie私はrbenchmarkより多くのレプリケーションを使用してソリューションのベンチマークを試みましたが、おそらくデータフレームのサイズが原因でメモリ不足エラーが発生しました。benchmark複数のレプリケーションでこれらの両方のソリューションを実行できる場合、なぜ3倍のスピードアップが得られるのか本当にわからないので、これらの結果は興味深いでしょう
Ramnath

@Ramnath物事を正しくするために、この回答のタイミングはncol=5、のバグが原因であると思います(もっと長くかかるはずです)create_dt
Matt Dowle、2011

5

完全を期すために、NAを0に置き換える別の方法は、

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

結果と時間を比較するために、これまでに述べたすべてのアプローチを取り入れました。

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

したがって、新しいアプローチはf_dowle3他のすべてのアプローチよりも少し遅いですが、速いです。しかし正直なところ、これはdata.table構文の私の直感に反し、なぜこれが機能するのかわかりません。誰かが私を啓発できますか?


1
はい私はそれらをチェックしました、これがペアワイズの同一を含めた理由です。
bratwoorst711 2016

1
ここでは慣用的方法ではない理由です- stackoverflow.com/a/20545629
Naumz

4

私の理解では、Rでの高速な操作の秘訣は、ベクトル(または、フードの下にあるベクトルである配列)を利用することです。

このソリューションdata.matrixでは、を使用していますが、のarrayように動作しますdata.frame。これは配列なので、非常に単純なベクトル置換を使用してNAs を置き換えることができます。

NAs を削除するための小さなヘルパー関数。本質は、1行のコードです。これは実行時間を測定するためだけに行います。

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

data.table指定されたサイズのを作成するための小さなヘルパー関数。

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))
}

小さなサンプルのデモ:

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

これは非常に優れたデータセットの例です。私は試して改善しremove_naます。21.57sのタイミングは、create_dt(などrunifsample一緒にして)をremove_na。編集して2回に分割できる可能性はありますか?
Matt Dowle、2011

に小さなバグはありcreate_dtますか?関係なく、常にの5列data.tableを作成するように見えるncolに渡された。
マットDowle

@MatthewDowleよく見た。エラーの削除(およびタイミング)
Andrie

マトリックスへの変換は、すべての列が同じタイプである場合にのみ正しく機能します。
skan 2017年

2

多くの列に一般化するには、この方法を使用できます(以前のサンプルデータを使用して列を追加します)。

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))]

速度についてはテストしませんでした


1
> 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
> 

3
そして、これを複数の列にどのように一般化しますか?
David Arenburg、2016年

@DavidArenburgはforループを書くだけです。これは受け入れられる答えである必要があります。それが最も簡単です!
バイボ

1

fifelse最新data.tableバージョン1.12.6 の関数を使用するNAToUnknownと、gdataパッケージよりも10倍高速です。

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 

この回答にいくつかのタイミング比較を追加できますか?私f_dowle3はまだ速くなると思います:stackoverflow.com/a/7249454/345660
Zach
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.