检测向量是否至少有 1 个 NA 的最快方法？

Question

在 R 中检测向量是否至少有 1 个 NA 的最快方法是什么？我一直在使用：

sum( is.na( data ) ) > 0

但这需要检查每个元素、强制转换和求和函数。

Answer 1

从 R 3.1.0 开始，anyNA() 是执行此操作的方法。在原子向量上，这将在第一个 NA 之后停止，而不是像 any(is.na()) 那样遍历整个向量。此外，这还可以避免创建带有立即丢弃的 is.na 的中间逻辑向量。借用 Joran 的例子：

x <- y <- runif(1e7)
x[1e4] <- NA
y[1e7] <- NA
microbenchmark::microbenchmark(any(is.na(x)), anyNA(x), any(is.na(y)), anyNA(y), times=10)
# Unit: microseconds
#           expr        min         lq        mean      median         uq
#  any(is.na(x))  13444.674  13509.454  21191.9025  13639.3065  13917.592
#       anyNA(x)      6.840     13.187     13.5283     14.1705     14.774
#  any(is.na(y)) 165030.942 168258.159 178954.6499 169966.1440 197591.168
#       anyNA(y)   7193.784   7285.107   7694.1785   7497.9265   7865.064

请注意，即使我们修改向量的最后一个值，它的速度也要快得多；这部分是因为避免了中间逻辑向量。

Answer 2

我想：

any(is.na(data))

应该稍微快一点。

Answer 3

我们在一些 Rcpp 演示文稿中提到了这一点，并且实际上有一些基准测试显示了相当< em>使用 Rcpp 的嵌入式 C++ 比 R 解决方案获得了巨大的收益，因为

• 矢量化 R 解决方案仍然计算矢量表达式的每个元素

• 如果您的目标只是满足 any()，那么您可以在第一个匹配后中止 - 这就是我们的 < em>Rcpp Sugar（实质上：一些 C++ 模板魔法使 C++ 表达式看起来更像 R 表达式，请参阅 这个小插图了解更多）解决方案确实如此。

因此，通过让编译后的专用解决方案发挥作用，我们确实获得了快速解决方案。我应该补充一点，虽然我没有将其与此问题中提供的解决方案进行比较，但我对性能相当有信心。

编辑 Rcpp 包包含目录 sugarPerformance 中的示例。对于 any()，它的“sugar-can-abort-soon”比“R-computes-full-vector-expression”增加了数千个，但我应该补充一点，这种情况不涉及 is.na() 而是一个简单的布尔表达式。

Answer 4

人们可以编写一个在 NA 处停止的 for 循环，但是 system.time 取决于 NA 所在的位置...（如果没有，则需要很长时间）

set.seed(1234)
x <- sample(c(1:5, NA), 100000000, replace = TRUE)

nacount <- function(x){
  for(i in 1:length(x)){
    if(is.na(x[i])) {
      print(TRUE)
      break}
}}

system.time(
  nacount(x)
)
[1] TRUE
       User      System verstrichen 
       0.14        0.04        0.18 

system.time(
  any(is.na(x))
) 
       User      System verstrichen 
       0.28        0.08        0.37 

system.time(
  sum(is.na(x)) > 0
)
       User      System verstrichen 
       0.45        0.07        0.53 

Answer 5

以下是我的（慢速）机器上迄今为止讨论的一些不同方法的一些实际时间：

x <- runif(1e7)
x[1e4] <- NA

system.time(sum(is.na(x)) > 0)
> system.time(sum(is.na(x)) > 0)
   user  system elapsed 
  0.065   0.001   0.065 

system.time(any(is.na(x)))  
> system.time(any(is.na(x)))
   user  system elapsed 
  0.035   0.000   0.034

system.time(match(NA,x)) 
> system.time(match(NA,x))
  user  system elapsed 
 1.824   0.112   1.918

system.time(NA %in% x) 
> system.time(NA %in% x)
  user  system elapsed 
 1.828   0.115   1.925 

system.time(which(is.na(x) == TRUE))
> system.time(which(is.na(x) == TRUE))
  user  system elapsed 
 0.099   0.029   0.127

match 和 %in% 相似并不奇怪，因为 %in% 是使用 match 实现的。

Answer 6

您可以尝试：

d <- c(1,2,3,NA,5,3)

which(is.na(d) == TRUE, arr.ind=TRUE)