Question

我正在尝试使用300万行数据集中的非NA先前填充NA值。目前我能够做到，但需要大约3小时。

约束 - 我不能使用任何库，它必须用R basic

完成

数据 - 我的数据如下（摘录）

目前我一直在使用以下代码

CHARDIF <- diff(VERINDEX_VEC)

k = 1
for (j in VERINDEX_VEC){
  #when value is in vector calculate difference to next value and copy VER. 
Special cases for First and Last value
  ifelse(j == 1, ALL_POS$C01[j:CHARDIF[k]] <- ALL_POS$C01[j],
         ifelse(j == max(VERINDEX_VEC), ALL_POS$C01[j:max(as.numeric
(row.names(ALL_POS)))] <- ALL_POS$C01[j],ALL_POS$C01[j:(j+CHARDIF[k]-1)] <- 
ALL_POS$C01[j]))
  k = k + 1
}

正如你所看到的，我有一个非NA位置的向量，然后我计算位置之间的差异，这有助于我选择我想要粘贴的范围，因为我知道下一个非NA值正在发生。

有没有人有更好的解决方案？尤其是速度更快的

Answer 1

首先，我将生成随机数据来测试这个

# generate random data 
test_data <- data.frame(x = 1:100, y = rnorm(100))
# add random NAs
test_data$y[sample(1:100, 50)] <- NA

现在试试这个：

# locate non NAs in the wanted column
not_na <- which(!is.na(test_data$y))

# define the function replace_NAs_custom

replace_NAs_custom <- function(i, col){
         if(is.na(col[i])){
           col[i] <- col[max(not_na[not_na < i] )]
         }
         return(col[i] )
       }

test_data$y_2 <- unlist(lapply(1:nrow(test_data), replace_NAs_custom, test_data$y))

Answer 2

看起来你的代码在每次循环时都会进行大量的计算和内存分配。为了减少时间，我们希望减少循环每次迭代的工作量。

我不是100％明确你的问题，但我认为我已经掌握了它的要点。听起来您只想获取最后一个非NA值并将其复制到具有NA值的行中。我们可以使用一对或多个索引来执行此操作。

在以下方法中，在进入循环之前，所有内存都已预先分配。唯一的内存操作是将值（NA）替换为另一个值。除了该操作之外，还检查该值是否为NA并且对索引进行了加法运算。为了更快地解决这个问题，您需要使用c优化的向量函数（可能来自包/库）。

使用前一个值填充NA：

# Fill with previous non-NA value
VERINDEX_VEC <- c(NA,"A1","A2",NA,NA,"A3",NA)
VERINDEX_VEC
# [1] NA   "A1" "A2" NA   NA   "A3" NA  

non_na_positions <- which(!is.na(VERINDEX_VEC))
# If the first value is NA we need to fill with NA until we hit a known value...
if(is.na(VERINDEX_VEC[1])){
  non_na_positions <- c(NA,non_na_positions)
}

index = 1

for(i in 1:length(VERINDEX_VEC)){
  if(is.na(VERINDEX_VEC[i])) {
    VERINDEX_VEC[i] <- VERINDEX_VEC[non_na_positions[index]]
  } else {
    index <- index + 1
  }
}

VERINDEX_VEC
# [1] NA   "A1" "A2" "A2" "A2" "A3" "A3"

使用下一个值填充NA：

# Fill with next non-NA Value
VERINDEX_VEC <- c(NA,"A1","A2",NA,NA,"A3",NA)
VERINDEX_VEC
# [1] NA   "A1" "A2" NA   NA   "A3" NA  

non_na_positions <- which(!is.na(VERINDEX_VEC))
# Never need the first position of the vector if we are looking-ahead...
index <- ifelse(non_na_positions[1]==1,2,1)

for(i in 1:length(VERINDEX_VEC)){
  if(is.na(VERINDEX_VEC[i])) {
    VERINDEX_VEC[i] <- VERINDEX_VEC[non_na_positions[index]]
  } else {
    index <- index + 1
  }
}

VERINDEX_VEC
# [1] "A1" "A1" "A2" "A3" "A3" "A3" NA

Answer 3

我相信我可能找到了一种更快的方式，至少比我的上一个答案快得多，但是我无法将它与你的代码进行比较，因为我无法重现输出。

（参见下面的基准测试结果）

你可以试试这个：

set.seed(223)
# generate random data 
test_data <- data.frame(x = 1:1000, y = rnorm(1000))
# add random NAs
test_data$y[sample(1:1000, 500)] <- NA



# which records are filled
not_na <- which(!is.na(test_data$y))

# calculate the distance from the previous filled value
# this is to identify how many times should each value be repeated
dist <- unlist(lapply(1:(length(not_na) - 1), 
                        function(i){
                          not_na[i+1] - not_na[i]
                        }))

# compine both to create a kind of "look-up table"
not_na <- data.frame(idx = not_na, 
                       rep_num = c(dist, nrow(test_data) - not_na[length(not_na)] + 1))

test_data$y_3 <- unlist(lapply(1:nrow(not_na), 
                                 function(x){
                                   rep(test_data[not_na$idx[x], "y"], times = not_na$rep_num[x])
                                 }))

基准测试：

f1()是最后的答案

f2()就是这个答案

对于test_data中的100.000行

# microbenchmark(f1(), times = 10)
# Unit: seconds
#  expr      min       lq     mean  median       uq      max neval
#  f1() 39.54495 39.72853 40.38092 40.7027 40.76339 41.29006    10


# microbenchmark(f2(), times = 10)
# Unit: seconds
# expr      min       lq     mean   median       uq      max neval
# f2() 1.578852 1.610565 1.666488 1.645821 1.736301 1.755673    10

对于1.000.000行，新方法需要大约16秒

# microbenchmark(f2(), times = 1)
# Unit: seconds
# expr      min       lq     mean   median       uq      max neval
# f2() 16.33777 16.33777 16.33777 16.33777 16.33777 16.33777     1

使用先前的非NA可用值R填充NA

3 个答案: