Якщо продуктивність є пріоритетною, використовуйте data.table
та na.omit()
з додатковим парам cols=
.
na.omit.data.table
є найшвидшим на моєму еталоні (див. нижче), як для всіх стовпців, так і для вибраних стовпців (питання питання щодо OP, частина 2).
Якщо ви не хочете користуватися data.table
, використовуйте complete.cases()
.
На ваніль data.frame
, complete.cases
швидше na.omit()
або dplyr::drop_na()
. Зверніть увагу, що na.omit.data.frame
це не підтримує cols=
.
Результат порівняння
Ось порівняння базових (синіх), dplyr
(рожевих) та data.table
(жовтих) методів для викидання або всіх, або вибору відсутніх спостережень, на уявний набір даних 1 мільйон спостережень з 20 числових змінних з незалежною 5% ймовірністю відсутності, а підмножина з 4 змінних для частини 2.
Результати можуть відрізнятися залежно від довжини, ширини та небагатості вашого конкретного набору даних.
Зауважте масштаб журналу на осі y.
Бенчмарк сценарій
#------- Adjust these assumptions for your own use case ------------
row_size <- 1e6L
col_size <- 20 # not including ID column
p_missing <- 0.05 # likelihood of missing observation (except ID col)
col_subset <- 18:21 # second part of question: filter on select columns
#------- System info for benchmark ----------------------------------
R.version # R version 3.4.3 (2017-11-30), platform = x86_64-w64-mingw32
library(data.table); packageVersion('data.table') # 1.10.4.3
library(dplyr); packageVersion('dplyr') # 0.7.4
library(tidyr); packageVersion('tidyr') # 0.8.0
library(microbenchmark)
#------- Example dataset using above assumptions --------------------
fakeData <- function(m, n, p){
set.seed(123)
m <- matrix(runif(m*n), nrow=m, ncol=n)
m[m<p] <- NA
return(m)
}
df <- cbind( data.frame(id = paste0('ID',seq(row_size)),
stringsAsFactors = FALSE),
data.frame(fakeData(row_size, col_size, p_missing) )
)
dt <- data.table(df)
par(las=3, mfcol=c(1,2), mar=c(22,4,1,1)+0.1)
boxplot(
microbenchmark(
df[complete.cases(df), ],
na.omit(df),
df %>% drop_na,
dt[complete.cases(dt), ],
na.omit(dt)
), xlab='',
main = 'Performance: Drop any NA observation',
col=c(rep('lightblue',2),'salmon',rep('beige',2))
)
boxplot(
microbenchmark(
df[complete.cases(df[,col_subset]), ],
#na.omit(df), # col subset not supported in na.omit.data.frame
df %>% drop_na(col_subset),
dt[complete.cases(dt[,col_subset,with=FALSE]), ],
na.omit(dt, cols=col_subset) # see ?na.omit.data.table
), xlab='',
main = 'Performance: Drop NA obs. in select cols',
col=c('lightblue','salmon',rep('beige',2))
)
final[complete.cases(final),]
?