La forma más rápida de reemplazar NA en una gran tabla de datos.

Tengo una gran tabla de datos , con muchos valores perdidos dispersos en sus ~ 200k filas y 200 columnas. Me gustaría volver a codificar esos valores de NA a ceros de la manera más eficiente posible.

Veo dos opciones:
1: convertir a data.frame y usar algo como esto
2: algún tipo de comando de subconfiguración de data.table genial

Estaré contento con una solución bastante eficiente del tipo 1. La conversión a un data.frame y luego de regreso a data.table no llevará demasiado tiempo.

Aquí hay una solución que utiliza el operador de data.table:= , basándose en las respuestas de Andrie y 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

Tenga en cuenta que f_dowle actualizó dt1 por referencia. Si se requiere una copia local, entonces se necesita una llamada explícita a la copyfunción para hacer una copia local de todo el conjunto de datos. data.table's setkey, key<-y :=no copiar en escritura.

A continuación, veamos dónde f_dowle está gastando su tiempo.

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 ...

Allí, me enfocaría en na.replacey is.na, donde hay algunas copias vectoriales y escaneos vectoriales. Esos pueden eliminarse fácilmente escribiendo una pequeña función na.replace C que se actualiza NApor referencia en el vector. Eso al menos reduciría a la mitad los 20 segundos, creo. ¿Existe tal función en algún paquete R?

La razón por la que f_andriefalla puede deberse a que copia la totalidad dt1o crea una matriz lógica tan grande como la totalidad de dt1algunas veces. Los otros 2 métodos funcionan en una columna a la vez (aunque solo lo vi brevemente NAToUnknown).

EDITAR (solución más elegante según lo solicitado por Ramnath en los comentarios):

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

¡Ojalá lo hiciera así para empezar!

EDIT2 (más de 1 año después, ahora)

También existe set(). Esto puede ser más rápido si hay muchas columnas en bucle, ya que evita la sobrecarga (pequeña) de llamar [,:=,]en un bucle. setEs un loopable :=. Ver ?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)
}

Aquí está el más simple que se me ocurrió:

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

Es eficiente y no necesita escribir funciones y otro código de pegamento.

Las funciones dedicadas ( nafilly setnafill) para ese propósito están disponibles en el data.tablepaquete (versión> = 1.12.4):

Procesa columnas en paralelo para abordar de forma correcta los puntos de referencia publicados anteriormente, por debajo de sus tiempos frente al enfoque más rápido hasta ahora, y también se amplió, utilizando una 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

Solo como referencia, más lento en comparación con gdata o data.matrix, pero usa solo el paquete data.table y puede manejar entradas no numéricas.

Aquí hay una solución que se usa NAToUnknownen el gdatapaquete. He usado la solución de Andrie para crear una gran tabla de datos y también incluí comparaciones de tiempo con la solución de 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

En aras de la integridad, otra forma de reemplazar NAs con 0 es usar

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

Para comparar resultados y tiempos, he incorporado todos los enfoques mencionados hasta ahora.

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

Entonces, el nuevo enfoque es un poco más lento f_dowle3pero más rápido que todos los otros enfoques. Pero para ser honesto, esto va en contra de mi intuición de la sintaxis data.table y no tengo idea de por qué funciona. ¿Alguien puede iluminarme?

Tengo entendido que el secreto para las operaciones rápidas en R es utilizar vectores (o matrices, que son vectores bajo el capó).

En esta solución, utilizo un data.matrixque es un arraypero se comporta un poco como a data.frame. Debido a que es una matriz, puede usar una sustitución de vectores muy simple para reemplazar el NAs:

Una pequeña función auxiliar para eliminar el NAs. La esencia es una sola línea de código. Solo hago esto para medir el tiempo de ejecución.

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

Una pequeña función auxiliar para crear una data.tablede un tamaño determinado.

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))
}

Demostración en una pequeña muestra:

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 a muchas columnas, puede usar este enfoque (usando datos de muestra anteriores pero agregando una columna):

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))]

Aunque no probé la velocidad

> 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 la fifelsefunción de las data.tableversiones más recientes 1.12.6, es incluso 10 veces más rápido que NAToUnknownen el gdatapaquete:

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