Performans bir öncelikse data.table
ve na.omit()
isteğe bağlı parametre ile kullanın cols=
.
na.omit.data.table
tüm sütunlar için mi yoksa belirli sütunlar için mi (OP soru bölüm 2), karşılaştırmamdaki en hızlı (aşağıya bakın).
Kullanmak istemiyorsanız data.table
,complete.cases()
.
Bir vanilyada data.frame
, veya complete.cases
daha hızlıdır . Bildirim desteklemiyorna.omit()
dplyr::drop_na()
na.omit.data.frame
cols=
.
Karşılaştırma sonucu
İşte baz (mavi), dplyr
(pembe) vedata.table
bağımsız 5% eksik olma olasılığı olan 20 sayısal değişkenin 1 milyon gözleminin kavramsal veri kümesinde, tümünü veya eksik eksikleri atmak için (sarı) yöntemlerin ve Bölüm 2 için 4 değişkenli altküme.
Sonuçlarınız, veri kümenizin uzunluğuna, genişliğine ve genişliğine bağlı olarak değişebilir.
Y eksenindeki günlük ölçeğini not edin.
Karşılaştırma komut dosyası
#------- 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),]
?