替换大数据中的异常值

Question

我有一个包含 12 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，我可以更快地执行此操作吗？

Answer 1

有几种优化功能的方法，但正如您的问题所表明的那样，操作并不慢。

无论如何，不用求助于 data.table、dplyr 或并行编程，我们仍然可以通过简单地将您的函数重写为

来适度提高速度

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

替换大数据中的异常值

Replace outliers from big data

optimization

performance

r

outliers

bigdata