Maneira mais rápida de substituir NAs em um grande data.table

Eu tenho um grande data.table , com muitos valores ausentes espalhados por suas ~ 200k linhas e 200 colunas. Gostaria de codificar novamente esses valores de NA para zeros da maneira mais eficiente possível.

Eu vejo duas opções:
1: Converter em um data.frame e usar algo como este
2: Algum tipo de comando legal de subconfiguração data.table

Ficarei feliz com uma solução bastante eficiente do tipo 1. A conversão para um data.frame e depois para uma tabela de dados não levará muito tempo.

Aqui está uma solução usando o operador data.table:= , com base nas respostas de Andrie e Ramnath.

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

Observe que f_dowle atualizou o dt1 por referência. Se uma cópia local for necessária, será necessária uma chamada explícita para a copyfunção para fazer uma cópia local de todo o conjunto de dados. de data.table setkey, key<-e:= não copiar-on-write.

A seguir, vamos ver onde f_dowle está gastando seu tempo.

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 ...

Lá, eu focaria na.replacee is.na, onde existem algumas cópias e digitalizações de vetores. Esses podem ser facilmente eliminados escrevendo uma pequena função C na.replace que atualizaNA por referência no vetor. Pelo menos isso reduziria pela metade os 20 segundos. Essa função existe em algum pacote R?

O motivo da f_andriefalha pode ser porque ele copia o conjunto inteiro dt1ou cria uma matriz lógica do tamanho do conjunto dt1algumas vezes. Os outros 2 métodos funcionam em uma coluna de cada vez (embora eu tenha olhado brevemente NAToUnknown).

EDIT (solução mais elegante conforme solicitado por Ramnath nos comentários):

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

Eu gostaria de fazê-lo dessa maneira para começar!

EDIT2 (mais de um ano depois, agora)

Há também set(). Isso pode ser mais rápido se houver muitas colunas em loop, pois evita a sobrecarga (pequena) da chamada [,:=,]em um loop. seté um loopable :=. Veja ?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)
}

Aqui está o mais simples que eu poderia criar:

dt[is.na(dt)] <- 0

É eficiente e não há necessidade de escrever funções e outros códigos de cola.

Funções dedicadas ( nafille setnafill) para esse fim estão disponíveis no data.tablepacote (versão> = 1.12.4):

Ele processa colunas em paralelo tão bem que aborda os benchmarks publicados anteriormente, abaixo do tempo em relação à abordagem mais rápida até agora, e também ampliou, usando uma máquina de 40 núcleos.

library(data.table)
create_dt <- function(nrow=5, ncol=5, propNA = 0.5){
  v <- runif(nrow * ncol)
  v[sample(seq_len(nrow*ncol), propNA * nrow*ncol)] <- NA
  data.table(matrix(v, ncol=ncol))
}
f_dowle3 = function(DT) {
  for (j in seq_len(ncol(DT)))
    set(DT,which(is.na(DT[[j]])),j,0)
}

set.seed(1)
dt1 = create_dt(2e5, 200, 0.1)
dim(dt1)
#[1] 200000    200
dt2 = copy(dt1)
system.time(f_dowle3(dt1))
#   user  system elapsed 
#  0.193   0.062   0.254 
system.time(setnafill(dt2, fill=0))
#   user  system elapsed 
#  0.633   0.000   0.020   ## setDTthreads(1) elapsed: 0.149
all.equal(dt1, dt2)
#[1] TRUE

set.seed(1)
dt1 = create_dt(2e7, 200, 0.1)
dim(dt1)
#[1] 20000000    200
dt2 = copy(dt1)
system.time(f_dowle3(dt1))
#   user  system elapsed 
# 22.997  18.179  41.496
system.time(setnafill(dt2, fill=0))
#   user  system elapsed 
# 39.604  36.805   3.798 
all.equal(dt1, dt2)
#[1] TRUE

library(data.table)

DT = data.table(a=c(1,"A",NA),b=c(4,NA,"B"))

DT
    a  b
1:  1  4
2:  A NA
3: NA  B

DT[,lapply(.SD,function(x){ifelse(is.na(x),0,x)})]
   a b
1: 1 4
2: A 0
3: 0 B

Apenas para referência, mais lento em comparação com gdata ou data.matrix, mas usa apenas o pacote data.table e pode lidar com entradas não numéricas.

Aqui está uma solução usando NAToUnknownno gdatapacote. Usei a solução da Andrie para criar uma enorme tabela de dados e também incluí comparações de tempo com a solução da Andrie.

# CREATE DATA TABLE
dt1 = create_dt(2e5, 200, 0.1)

# FUNCTIONS TO SET NA TO ZERO   
f_gdata  = function(dt, un = 0) gdata::NAToUnknown(dt, un)
f_Andrie = function(dt) remove_na(dt)

# COMPARE SOLUTIONS AND TIMES
system.time(a_gdata  <- f_gdata(dt1))

user  system elapsed 
4.224   2.962   7.388 

system.time(a_andrie <- f_Andrie(dt1))

 user  system elapsed 
4.635   4.730  20.060 

identical(a_gdata, g_andrie)  

TRUE

Por uma questão de completude, outra maneira de substituir NAs por 0 é usar

f_rep <- function(dt) {
dt[is.na(dt)] <- 0
return(dt)
}

Para comparar resultados e tempos, incorporei todas as abordagens mencionadas até agora.

set.seed(1)
dt1 <- create_dt(2e5, 200, 0.1)
dt2 <- dt1
dt3 <- dt1

system.time(res1 <- f_gdata(dt1))
   User      System verstrichen 
   3.62        0.22        3.84 
system.time(res2 <- f_andrie(dt1))
   User      System verstrichen 
   2.95        0.33        3.28 
system.time(f_dowle2(dt2))
   User      System verstrichen 
   0.78        0.00        0.78 
system.time(f_dowle3(dt3))
   User      System verstrichen 
   0.17        0.00        0.17 
system.time(res3 <- f_unknown(dt1))
   User      System verstrichen 
   6.71        0.84        7.55 
system.time(res4 <- f_rep(dt1))
   User      System verstrichen 
   0.32        0.00        0.32 

identical(res1, res2) & identical(res2, res3) & identical(res3, res4) & identical(res4, dt2) & identical(dt2, dt3)
[1] TRUE

Portanto, a nova abordagem é um pouco mais lenta do que f_dowle3mas mais rápida que todas as outras abordagens. Mas, para ser sincero, isso é contrário à minha intuição da sintaxe data.table e não tenho idéia do por que isso funciona. Alguém pode me esclarecer?

Meu entendimento é que o segredo para operações rápidas em R é utilizar vetores (ou matrizes, que são vetores sob o capô).

Nesta solução, uso um data.matrixque é um, arraymas se comporta um pouco como um data.frame. Por ser uma matriz, você pode usar uma substituição de vetor muito simples para substituir os NAs:

Uma pequena função auxiliar para remover os NA. A essência é uma única linha de código. Eu só faço isso para medir o tempo de execução.

remove_na <- function(x){
  dm <- data.matrix(x)
  dm[is.na(dm)] <- 0
  data.table(dm)
}

Uma pequena função auxiliar para criar um data.tabletamanho específico.

create_dt <- function(nrow=5, ncol=5, propNA = 0.5){
  v <- runif(nrow * ncol)
  v[sample(seq_len(nrow*ncol), propNA * nrow*ncol)] <- NA
  data.table(matrix(v, ncol=ncol))
}

Demonstração em uma pequena amostra:

library(data.table)
set.seed(1)
dt <- create_dt(5, 5, 0.5)

dt
            V1        V2        V3        V4        V5
[1,]        NA 0.8983897        NA 0.4976992 0.9347052
[2,] 0.3721239 0.9446753        NA 0.7176185 0.2121425
[3,] 0.5728534        NA 0.6870228 0.9919061        NA
[4,]        NA        NA        NA        NA 0.1255551
[5,] 0.2016819        NA 0.7698414        NA        NA

remove_na(dt)
            V1        V2        V3        V4        V5
[1,] 0.0000000 0.8983897 0.0000000 0.4976992 0.9347052
[2,] 0.3721239 0.9446753 0.0000000 0.7176185 0.2121425
[3,] 0.5728534 0.0000000 0.6870228 0.9919061 0.0000000
[4,] 0.0000000 0.0000000 0.0000000 0.0000000 0.1255551
[5,] 0.2016819 0.0000000 0.7698414 0.0000000 0.0000000

Para generalizar para muitas colunas, você pode usar essa abordagem (usando dados de amostra anteriores, mas adicionando uma coluna):

z = data.table(x = sample(c(NA_integer_, 1), 2e7, TRUE), y = sample(c(NA_integer_, 1), 2e7, TRUE))

z[, names(z) := lapply(.SD, function(x) fifelse(is.na(x), 0, x))]

Mas não testou a velocidade

> DT = data.table(a=LETTERS[c(1,1:3,4:7)],b=sample(c(15,51,NA,12,21),8,T),key="a")
> DT
   a  b
1: A 12
2: A NA
3: B 15
4: C NA
5: D 51
6: E NA
7: F 15
8: G 51
> DT[is.na(b),b:=0]
> DT
   a  b
1: A 12
2: A  0
3: B 15
4: C  0
5: D 51
6: E  0
7: F 15
8: G 51
> 

Usando a fifelsefunção das data.tableversões mais recentes 1.12.6, é até 10 vezes mais rápido que NAToUnknownno gdatapacote:

z = data.table(x = sample(c(NA_integer_, 1), 2e7, TRUE))
system.time(z[,x1 := gdata::NAToUnknown(x, 0)])

#   user  system elapsed 
#  0.798   0.323   1.173 

system.time(z[,x2:= fifelse(is.na(x), 0, x)])

#   user  system elapsed 
#  0.172   0.093   0.113