İşte kullanarak bir çözüm data.table bireyin :=
ANDRIE ve Ramnath en yanıtlara bina, operatörünü.
require(data.table)
require(gdata)
set.seed(1)
dt1 = create_dt(2e5, 200, 0.1)
dim(dt1)
[1] 200000 200
f_andrie = function(dt) remove_na(dt)
f_gdata = function(dt, un = 0) gdata::NAToUnknown(dt, un)
f_dowle = function(dt) {
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
identical(a_gdata, dt1)
[1] TRUE
F_dowle'ın dt1'i referans olarak güncellediğine dikkat edin. Yerel bir kopya gerekiyorsa copy
, tüm veri kümesinin yerel bir kopyasını yapmak için işleve açık bir çağrı yapılması gerekir. data.table en setkey
, key<-
ve :=
-copy on-write yoktur.
Sonra, f_dowle'ın zamanını nerede geçirdiğini görelim.
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 ...
Orada, birkaç vektör kopyası ve vektör taramalarının olduğu na.replace
ve üzerine odaklanacağım is.na
. Bunlar NA
, vektörde referans olarak güncellenen küçük bir na.replace C işlevi yazarak oldukça kolay bir şekilde ortadan kaldırılabilir . Bu sanırım en azından 20 saniyeyi yarıya indirir. Herhangi bir R paketinde böyle bir işlev var mı?
Nedeni f_andrie
bu bütün kopyaları çünkü olabilir başarısız dt1
veya bütün büyüklüğünde bir mantıksal matris oluşturur dt1
birkaç kez. Diğer 2 yöntem bir seferde bir sütun üzerinde çalışır (sadece kısaca bakmama rağmen NAToUnknown
).
DÜZENLE (yorumlarda Ramnath tarafından talep edildiği gibi daha zarif bir çözüm):
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
identical(a_gdata, dt1)
[1] TRUE
Keşke başlamak için o şekilde yapsaydım!
EDIT2 (1 yıldan fazla bir süre sonra, şimdi)
Ayrıca var set()
. [,:=,]
Bir döngüde arama işleminin (küçük) ek yükünü önlediği için, çok sayıda sütun döngüsü varsa bu daha hızlı olabilir . set
döngülenebilir :=
. Bakın ?set
.
f_dowle3 = function(DT) {
for (j in names(DT))
set(DT,which(is.na(DT[[j]])),j,0)
for (j in seq_len(ncol(DT)))
set(DT,which(is.na(DT[[j]])),j,0)
}
data.table
adata.frame
? Adata.table
, birdata.frame
. Herhangi bir data.frame işlemi sadece çalışacaktır.