Question

有时我需要计算NA中一列或另一列中非data.table元素的数量。什么是最好的data.table - 量身定制的方式？

具体来说，让我们使用它：

DT <- data.table(id = sample(100, size = 1e6, replace = TRUE),
                 var = sample(c(1, 0, NA), size = 1e6, replace = TRUE), key = "id")

我想到的第一件事就是这样：

DT[!is.na(var), N := .N, by = id]

但这有一个令人遗憾的缺点，即N没有被分配到缺少var的任何行，即DT[is.na(var), N] = NA。

所以我通过追加来解决这个问题：

DT[!is.na(var), N:= .N, by = id][ , N := max(N, na.rm = TRUE), by = id] #OPTION 1

但是，我不确定这是最好的方法;我想到的另一种选择是data.frame对DT[ , N := length(var[!is.na(var)]), by = id] # OPTION 2的类似问题提出的建议：

DT[ , N := sum(!is.na(var)), by = id] # OPTION 3

和

OPTION 1 | OPTION 2 | OPTION 3
  .075   |   .065   |   .043

比较这些的计算时间（平均超过100次试验），最后一次似乎是最快的：

data.table

有谁知道{{1}}更快捷的方式？

Answer 1

是的，第3选项似乎是最好的选择。我添加了另一个仅在您考虑将data.table的密钥从id更改为var时才有效，但仍然选项3是您数据中最快的。

library(microbenchmark)
library(data.table)

dt<-data.table(id=(1:100)[sample(10,size=1e6,replace=T)],var=c(1,0,NA)[sample(3,size=1e6,replace=T)],key=c("var"))

dt1 <- copy(dt)
dt2 <- copy(dt)
dt3 <- copy(dt)
dt4 <- copy(dt)

microbenchmark(times=10L,
               dt1[!is.na(var),.N,by=id][,max(N,na.rm=T),by=id],
               dt2[,length(var[!is.na(var)]),by=id],
               dt3[,sum(!is.na(var)),by=id],
               dt4[.(c(1,0)),.N,id,nomatch=0L])
# Unit: milliseconds
#                                                         expr      min       lq      mean    median        uq       max neval
#  dt1[!is.na(var), .N, by = id][, max(N, na.rm = T), by = id] 95.14981 95.79291 105.18515 100.16742 112.02088 131.87403    10
#                     dt2[, length(var[!is.na(var)]), by = id] 83.17203 85.91365  88.54663  86.93693  89.56223 100.57788    10
#                             dt3[, sum(!is.na(var)), by = id] 45.99405 47.81774  50.65637  49.60966  51.77160  61.92701    10
#                        dt4[.(c(1, 0)), .N, id, nomatch = 0L] 78.50544 80.95087  89.09415  89.47084  96.22914 100.55434    10

有效地计算data.table中的非NA元素

1 个答案: