Ecco una soluzione che utilizza l' operatore di data.table:=
, basandosi sulle risposte di Andrie e 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
Nota che f_dowle ha aggiornato dt1 per riferimento. Se è necessaria una copia locale, è necessaria una chiamata esplicita alla copy
funzione per creare una copia locale dell'intero set di dati. data.table's setkey
, key<-
e :=
non copia-su-scrivere.
Quindi, vediamo dove f_dowle sta trascorrendo il suo tempo.
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 ...
Lì mi concentrerei su na.replace
e is.na
, dove ci sono alcune copie vettoriali e scansioni vettoriali. Questi possono essere facilmente eliminati scrivendo una piccola funzione na.replace C che si aggiorna NA
per riferimento nel vettore. Ciò dimezzerebbe almeno i 20 secondi che penso. Una tale funzione esiste in qualsiasi pacchetto R?
Il motivo f_andrie
potrebbe non essere dovuto al fatto che copia l'intero dt1
, o crea una matrice logica grande quanto l'insieme dt1
, alcune volte. Gli altri 2 metodi funzionano su una colonna alla volta (anche se ho guardato solo brevemente NAToUnknown
).
EDIT (soluzione più elegante come richiesto da Ramnath nei commenti):
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
Vorrei averlo fatto in questo modo per iniziare!
EDIT2 (oltre 1 anno dopo, ora)
C'è anche set()
. Questo può essere più veloce se ci sono molte colonne in loop, in quanto evita il (piccolo) overhead della chiamata [,:=,]
in un loop. set
è un loop :=
. Vedere ?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)
}
data.table
in adata.frame
? Adata.table
è adata.frame
. Qualsiasi operazione data.frame funzionerà.