Se o desempenho for uma prioridade, use data.table
e na.omit()
com parâmetros opcionais cols=
.
na.omit.data.table
é o mais rápido no meu benchmark (veja abaixo), seja para todas as colunas ou para as colunas selecionadas (pergunta OP parte 2).
Se você não quiser usar data.table
, usecomplete.cases()
.
Em uma baunilha data.frame
, complete.cases
é mais rápido que na.omit()
ou dplyr::drop_na()
. Observe que na.omit.data.frame
não suporta cols=
.
Resultado de referência
Aqui está uma comparação dos métodos base (azul), dplyr
(rosa) e data.table
(amarelo) para descartar todas ou selecionar observações ausentes, no conjunto de dados nocional de 1 milhão de observações de 20 variáveis numéricas com probabilidade independente de 5% de estar ausente e um subconjunto de 4 variáveis para a parte 2.
Seus resultados podem variar com base no comprimento, largura e esparsidade do seu conjunto de dados específico.
Observe a escala do log no eixo y.
Script de benchmark
#------- 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),]
?