Вот решение, использующее оператор data.table * :=, основанный на ответах Андри и Рамната.
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
Обратите внимание, что f_dowle обновил dt1 по ссылке. Если требуется локальная копия, то для создания локальной копии всего набора данных необходим явный вызов функции copy. data.table's setkey, key<- и := не копируют при записи.
Далее, давайте посмотрим, где f_dowle проводит свое время.
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 бы сосредоточился на na.replace и is.na, где есть несколько векторных копий и векторных сканов. Их можно довольно легко устранить, написав небольшую C-функцию na.replace, которая обновляет NA по ссылке в векторе. Это, по крайней мере, вдвое сократило бы 20 секунд, я думаю. Существует ли такая функция в каком-либо пакете R?
Причина сбоя f_andrie может заключаться в том, что он копирует целое dt1 или создает логическую матрицу размером с целое dt1, несколько раз. Два других метода работают с одним столбцом за раз (хотя я только кратко рассмотрел NAToUnknown).
РЕДАКТИРОВАТЬ (более элегантное решение в соответствии с просьбой Рамната в комментариях):
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
Хотелось бы, чтобы я начал так!
РЕДАКТИРОВАТЬ2 (более 1 года спустя, сейчас)
Существует также set(). Это может быть быстрее, если через цикл проходит много столбцов, поскольку это позволяет избежать (небольших) накладных расходов при вызове [,:=,] в цикле. set является петлей :=. См ?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)
}