R 将NA替换为与相同ID匹配的平均值
我有一个数据框:R 将NA替换为与相同ID匹配的平均值,r,R,我有一个数据框: id <- c(rep(1, 4), rep(2, 3), rep(3, 2), 4) rate <- c(rep(1, 3), NA, 0.5, 0.6, NA, 0.7, NA, NA) df <- data.frame(id, rate) 显然,for循环在大于200K行的大数据帧上太慢了。如果不使用for循环,如何使用更快的方法 谢谢 这是一个使用数据的解决方案。表s: library(data.table) dt <- data.table(
id <- c(rep(1, 4), rep(2, 3), rep(3, 2), 4)
rate <- c(rep(1, 3), NA, 0.5, 0.6, NA, 0.7, NA, NA)
df <- data.frame(id, rate)
显然,for
循环在大于200K行的大数据帧上太慢了。如果不使用for
循环,如何使用更快的方法
谢谢 这是一个使用
数据的解决方案。表
s:
library(data.table)
dt <- data.table( df, key = "id" )
dt[ , rate := ifelse( is.na(rate), round( mean(rate, na.rm=TRUE), 1), rate ), by = id ]
dt[ is.na(rate), rate := 1 ]
dt
id rate
1: 1 1.0
2: 1 1.0
3: 1 1.0
4: 1 1.0
5: 2 0.5
6: 2 0.6
7: 2 0.6
8: 3 0.7
9: 3 0.7
10: 4 1.0
库(data.table)
dt正如我在评论中提到的,R中的for
循环并不特别慢。然而,通常for
循环表示代码中的其他低效。在这种情况下,为确定平均值而对每行重复的子集操作很可能是代码的最慢位
for (i in 1:dim(df)[1]) {
if (is.na(df$rate[i])) {
mrate <- round(mean(df$rate[df$id == df$id[i]], na.rm = T), 1) ## This line!
if (is.nan(mrate)) {
df$rate[i] <- 1
} else {
df$rate[i] <- mrate
}
}
}
plyr
版本:
library(plyr)
avgs <- ddply(df, .(id), summarise, rate=mean(rate, na.rm=TRUE))
result <- ddply(df, .(id), myfun)
library(data.table)
DT <- data.table(df)
setkey(DT, id)
DT[, avg := mean(rate, na.rm=TRUE), by=id]
DT[is.nan(avg), avg := 1]
DT[, rate := ifelse(is.na(rate), avg, rate)]
通过这种方式,我们避免了在leiu中添加预先计算的列的所有查找子集,现在可以进行快速高效的行查找。可以使用以下方法廉价删除额外的列:
DT[, avg := NULL]
整个shebang可以写入函数或data.table
表达式。但是,依我看,这往往是以清晰度为代价的 我不确定这是否准确地回答了OP的问题,但对于后来阅读这篇文章的其他人来说,有一种对数据子集执行计算的不同且更快的方法,而不是实际对数据子集执行计算:向量数学。人群中的工程师会知道我在说什么
不是子集,而是指定一个非常快速的函数来创建一个标识向量,并将数据乘以标识
现在,这并不是所有情况下都更快。有些情况下,向量化函数实际上比项显式函数慢,这完全取决于您的特定应用程序。[在此插入您选择的O形符号。]
下面是我们在这种情况下如何实现向量数学:
# Create the NA identity vector.
na_identity <- is.na(df$rate)
# Initialize the final data frame.
# This is for non-destructive purposes.
df_revised <- df
# Replace all NA occurrences in final
# data frame with zero values.
df_revised$rate[na_identity] <- 0
# Loop through each unique [id]
# value in the data.
# Create an identity vector for the
# current ID, calculate the mean
# rate for that ID (replacing NaN with 1),
# and insert the mean for any NA values
# associated with that ID.
for (i in unique(df$id)){
id_identity <- df$id==i
id_mean <- sum(df_revised$rate * id_identity * !na_identity) / sum(id_identity * !na_identity)
if(is.nan(id_mean)){id_mean <- 1}
df_revised$rate <- df_revised$rate + id_mean * id_identity * na_identity
}
# id rate
# 1 1 1.00
# 2 1 1.00
# 3 1 1.00
# 4 1 1.00
# 5 2 0.50
# 6 2 0.60
# 7 2 0.55
# 8 3 0.70
# 9 3 0.70
# 10 4 1.00
#创建NA标识向量。
na_identity fwiw,for
的循环并不慢。相反,我猜想代码最慢的部分是在确定平均值时执行的子集设置操作。如果您使用aggregate
或其他方法预先计算每个组的平均值,您的循环将显著加快。。。但是data.table
解决方案几乎肯定更干净、更快!只是一个问题:行DT[,rate:=ifelse(is.na(rate),avg,rate),by=id]
中需要的by=i
是什么?@Beasterfield啊,不是。这是我第一次写的东西留下的。编辑。
library(data.table)
DT <- data.table(df)
setkey(DT, id)
DT[, avg := mean(rate, na.rm=TRUE), by=id]
DT[is.nan(avg), avg := 1]
DT[, rate := ifelse(is.na(rate), avg, rate)]
DT[, avg := NULL]
# Create the NA identity vector.
na_identity <- is.na(df$rate)
# Initialize the final data frame.
# This is for non-destructive purposes.
df_revised <- df
# Replace all NA occurrences in final
# data frame with zero values.
df_revised$rate[na_identity] <- 0
# Loop through each unique [id]
# value in the data.
# Create an identity vector for the
# current ID, calculate the mean
# rate for that ID (replacing NaN with 1),
# and insert the mean for any NA values
# associated with that ID.
for (i in unique(df$id)){
id_identity <- df$id==i
id_mean <- sum(df_revised$rate * id_identity * !na_identity) / sum(id_identity * !na_identity)
if(is.nan(id_mean)){id_mean <- 1}
df_revised$rate <- df_revised$rate + id_mean * id_identity * na_identity
}
# id rate
# 1 1 1.00
# 2 1 1.00
# 3 1 1.00
# 4 1 1.00
# 5 2 0.50
# 6 2 0.60
# 7 2 0.55
# 8 3 0.70
# 9 3 0.70
# 10 4 1.00