代码之家 › 专栏 › 技术社区 › augusto carillo ferrari

替换大数据中的异常值

outliers bigdata optimization performance r

1

augusto carillo ferrari · 技术社区 · 10 年前

我有一个包含12个列和600000行的大数据,我想用这个函数替换异常值

 replace_outliers <- function(x, na.rm = TRUE, ...) {
    qnt <- quantile(x, probs=c(.25,.50 ,.75), na.rm = na.rm, ...)
    H <- 1.5 * IQR(x, na.rm = na.rm)
    y <- x
    y[x > (qnt[3] + H)] <-  qnt[2]
    y
 }

但是使用for循环会花费很多时间,如果没有更好的硬件或集群,我能更快地完成这一操作吗?

1 回复 | 直到 10 年前

1

2

csgillespie Carl Witthoft 10 年前

有几种优化功能的方法,但正如您所问的,操作并没有那么慢。

无论如何,不用诉诸 data.table , dplyr ,或者并行编程,我们仍然可以通过简单地将函数重写为

replace_outliers2 = function(x, na.rm = TRUE, ...) {
  qnt = quantile(x, probs=c(.25,.50 ,.75), na.rm = na.rm, ...)
  x[x > (2.5*qnt[3]- 1.5*qnt[1])] = qnt[2]
  x
}

一些快速计时:

R> x = matrix(rlnorm(600000*12), ncol=12)
R> system.time({for(i in 1:12) replace_outliers(x[,i])})
   user  system elapsed 
  1.448   0.008   1.469 
R> system.time({ for(i in 1:12) replace_outliers2(x[,i])})
   user  system elapsed 
  0.860   0.004   0.869