대용량 데이터에서 NA를 대체하는 가장 빠른 방법

~ 200k 행과 200 열에 흩어져있는 많은 결 측값 이있는 큰 data.table이 있습니다. 해당 NA 값을 가능한 효율적으로 0으로 다시 코딩하고 싶습니다.

두 가지 옵션이 있습니다
.1 : data.frame으로 변환하고 다음 과 같이 사용 하십시오
.2 : 멋진 데이터. 테이블 하위 설정 명령

타입 1의 상당히 효율적인 솔루션에 만족합니다. data.frame으로 변환 한 다음 다시 data.table로 변환하는 데 시간이 오래 걸리지 않습니다.

여기에 사용하는 솔루션이다 data.table 의 :=Andrie 및 Ramnath의 응답에 구축, 연산자.

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_dowle은 dt1을 참조로 업데이트했습니다. 로컬 복사본이 필요한 copy경우 전체 데이터 집합의 로컬 복사본을 만들 려면 함수 를 명시 적으로 호출해야합니다 . data.table의 setkey, key<-및 :=-복사에 쓰기하지 않습니다.

다음으로 f_dowle이 시간을 보내는 위치를 봅시다.

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 ...

나는 거기에 초점을 맞출 것이다 na.replace및 is.na벡터 복사 및 벡터 스캔 몇이있는 곳. NA벡터에서 참조로 업데이트 되는 작은 na.replace C 함수를 작성하면 상당히 쉽게 제거 할 수 있습니다 . 그것은 내가 생각하는 20 초 이상 절반이 될 것입니다. 이러한 기능이 R 패키지에 있습니까?

f_andrie실패한 이유 는 전체를 복사하거나 전체 dt1만큼 큰 논리 행렬을 생성 하기 때문일 수 있습니다 dt1. 다른 두 가지 방법은 한 번에 한 열에서 작동합니다 (단순히 보았지만 NAToUnknown).

편집 (의견에 Ramnath의 요청에 따라보다 우아한 솔루션) :

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

나는 그런 식으로 시작했으면 좋겠다!

EDIT2 (1 년 후, 지금)

또한 있습니다 set(). [,:=,]루프에서 호출하는 (작은) 오버 헤드를 피하기 때문에 많은 열이 반복되는 경우 더 빠를 수 있습니다 . setloopable :=입니다. 참조하십시오 ?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)
}

내가 생각해 낼 수있는 가장 간단한 것은 다음과 같습니다.

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

효율적이며 함수 및 기타 글루 코드를 작성할 필요가 없습니다.

해당 목적을위한 전용 함수 ( nafill및 setnafill)는 data.table패키지 (버전> = 1.12.4) 에서 사용할 수 있습니다 .

컬럼을 병렬로 처리하므로 이전에 게시 된 벤치 마크를 현재까지의 타이밍과 가장 빠른 접근 방식보다 낮게 처리하고 40 코어 머신을 사용하여 확장 할 수 있습니다.

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

참고로 gdata 또는 data.matrix에 비해 느리지 만 data.table 패키지 만 사용하고 숫자가 아닌 항목을 처리 할 수 ​​있습니다.

다음은 패키지 NAToUnknown에서 사용하는 솔루션 gdata입니다. Andrie의 솔루션을 사용하여 거대한 데이터 테이블을 만들었으며 Andrie의 솔루션과의 시간 비교도 포함했습니다.

# 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

완성도를 높이기 위해 NA를 0으로 바꾸는 또 다른 방법은

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

결과와 시간을 비교하기 위해 지금까지 언급 한 모든 접근 방식을 통합했습니다.

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

따라서 새로운 접근 방식은 f_dowle3다른 모든 접근 방식보다 약간 느리지 만 빠릅니다. 그러나 솔직히 말하면 이것은 data.table 구문의 내 직감에 위배되며 이것이 왜 작동하는지 전혀 모릅니다. 아무도 나를 밝힐 수 있습니까?

R의 빠른 연산의 비결은 벡터 (또는 후드 아래의 벡터 인 배열)를 이용하는 것입니다.

이 솔루션에서는 a data.matrix를 사용 array하지만 a와 약간 비슷하게 동작합니다 data.frame. 배열이므로 매우 간단한 벡터 대체를 사용하여 NAs 를 대체 할 수 있습니다 .

NAs 를 제거하는 작은 도우미 기능 . 본질은 한 줄의 코드입니다. 나는 단지 실행 시간을 측정하기 위해 이것을한다.

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

data.table주어진 크기 의 작은 도우미 함수 입니다.

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))
}

작은 샘플에 대한 데모 :

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

많은 열을 일반화하려면이 방법을 사용할 수 있습니다 (이전 샘플 데이터를 사용하지만 열 추가).

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))]

그래도 속도를 테스트하지 않았습니다

> 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
> 

은 Using fifelse최신에서 기능을 data.table버전 1.12.6, 심지어는 10 배 빠른 속도로보다 NAToUnknown의 gdata패키지 :

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