有效计算data.table中的非NA元素

Question

有时我需要计算data.table中一列或另一列中的非NA元素的数量。什么是data.table最好的方式呢？

为具体，让我们有这方面的工作：

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

这使我想到的第一件事情是这样的：

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

但是，这不幸的缺点是N没有得到分配到var丢失的任何行，即DT[is.na(var), N] = NA。

所以我解决此通过附加：

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

但是，我不知道这是最好的办法;由模拟建议this问题为data.frame的I想到了另一种选择，一个是：

DT[ , N := length(var[!is.na(var)]), by = id] # OPTION 2 

和

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

比较这些（平均超过100次试验）的计算时间，最后似乎成为最快的：

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

有没有人知道更快的方式data.table？

Answer 1

是的选项3似乎是最好的。我已经添加了另一个，只有当您考虑将data.table的密钥从id更改为var时才有效，但选项3仍然是数据中最快的。

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