Ось рішення з використанням data.table «S :=
оператора, грунтуючись на Andrie і відповіді Ramnath в.
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
Зауважте, що f_dowle оновив dt1 за посиланням. Якщо потрібна локальна копія, тоді необхідний явний виклик copy
функції, щоб зробити локальну копію всього набору даних. data.table's setkey
, key<-
і :=
не копіювати на запис.
Далі давайте подивимось, де f_dowle проводить свій час.
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 ...
Там, я хотів би зосередитися на na.replace
і is.na
, де є кілька векторних копії і векторні скануванні. Їх можна легко усунути, записавши невелику функцію на.замінити С, яка оновлюється NA
за посиланням у векторі. Це хоча б вдвічі зменшить 20 секунд. Чи існує така функція в будь-якому пакеті R?
Причина f_andrie
може не в тому, що вона кілька разів копіює ціле dt1
або створює логічну матрицю, велику, як ціле dt1
. Інші 2 методи одночасно працюють над одним стовпцем (хоча я лише коротко роздивився NAToUnknown
).
EDIT (більш елегантне рішення, як вимагає Ramnath у коментарях):
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
Я б хотів, щоб я це зробив так, щоб почати з!
EDIT2 (через 1 рік, зараз)
Є також set()
. Це може бути швидше, якщо через колонку буде пропущено багато стовпців, оскільки це дозволяє уникнути (невеликого) накладного виклику [,:=,]
в циклі. set
є циклічним :=
. Див ?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
доdata.frame
? Аdata.table
- цеdata.frame
. Будь-яка операція data.frame буде просто працювати.