如果性能是优先考虑的,请使用数据。表和na.省略(),可选参数cols=。
na.omit.data.table是我的基准测试中最快的(见下文),无论是对所有列还是对选定列(OP问题第2部分)。
如果你不想使用数据。表,使用complete.cases()。
在一个普通的data.frame上,完成。case比na.省略()或dplyr::drop_na()快。请注意,na. ignore .data.frame不支持cols=。
基准测试结果
下面是base(蓝色)、dplyr(粉红色)和数据的比较。表(黄色)方法,删除所有或选择缺失的观测值,在100万个观测值的名义数据集上,20个数值变量具有5%的独立缺失可能性,以及第2部分的4个变量的子集。
结果可能会根据特定数据集的长度、宽度和稀疏性而有所不同。
注意y轴上的对数刻度。
基准测试脚本
#------- Adjust these assumptions for your own use case ------------
row_size <- 1e6L
col_size <- 20 # not including ID column
p_missing <- 0.05 # likelihood of missing observation (except ID col)
col_subset <- 18:21 # second part of question: filter on select columns
#------- System info for benchmark ----------------------------------
R.version # R version 3.4.3 (2017-11-30), platform = x86_64-w64-mingw32
library(data.table); packageVersion('data.table') # 1.10.4.3
library(dplyr); packageVersion('dplyr') # 0.7.4
library(tidyr); packageVersion('tidyr') # 0.8.0
library(microbenchmark)
#------- Example dataset using above assumptions --------------------
fakeData <- function(m, n, p){
set.seed(123)
m <- matrix(runif(m*n), nrow=m, ncol=n)
m[m<p] <- NA
return(m)
}
df <- cbind( data.frame(id = paste0('ID',seq(row_size)),
stringsAsFactors = FALSE),
data.frame(fakeData(row_size, col_size, p_missing) )
)
dt <- data.table(df)
par(las=3, mfcol=c(1,2), mar=c(22,4,1,1)+0.1)
boxplot(
microbenchmark(
df[complete.cases(df), ],
na.omit(df),
df %>% drop_na,
dt[complete.cases(dt), ],
na.omit(dt)
), xlab='',
main = 'Performance: Drop any NA observation',
col=c(rep('lightblue',2),'salmon',rep('beige',2))
)
boxplot(
microbenchmark(
df[complete.cases(df[,col_subset]), ],
#na.omit(df), # col subset not supported in na.omit.data.frame
df %>% drop_na(col_subset),
dt[complete.cases(dt[,col_subset,with=FALSE]), ],
na.omit(dt, cols=col_subset) # see ?na.omit.data.table
), xlab='',
main = 'Performance: Drop NA obs. in select cols',
col=c('lightblue','salmon',rep('beige',2))
)