Durchlaufen Sie die Spalten, um die vorherigen 2 Zahlen jeder Zeile zu summieren
In R habe ich einen Datenrahmen mit den Spalten 'A', 'B', 'C', 'D'. Die Spalten haben 100 Zeilen.
Ich muss durch die Spalten iterieren, um eine Berechnung für alle Zeilen im Datenrahmen durchzuführen, die die vorherigen 2 Zeilen dieser Spalte summiert, und dann in neuen Spalten ('AA', 'AB' usw.) festlegen, was diese Summe ist:
A B C D
1 2 3 4
2 3 4 5
3 4 5 6
4 5 6 7
5 6 7 8
6 7 8 9
zu
A B C D AA AB AC AD
1 2 3 4 NA NA NA NA
2 3 4 5 3 5 7 9
3 4 5 6 5 7 9 11
4 5 6 7 7 9 11 13
5 6 7 8 9 11 13 15
6 7 8 9 11 13 15 17
Kann jemand erklären, wie man eine Funktion/Schleife erstellt, mit der ich die Spalten festlegen kann, über die ich iterieren möchte (ausgewählte Spalten, nicht alle Spalten) und die Spalten, die ich festlegen möchte?
Antworten
Ein base
Einzeiler:
cbind(df, setNames(df + df[c(NA, 1:(nrow(df)-1)), ], paste0("A", names(df))))
Wenn Ihre Daten groß sind, ist diese möglicherweise die schnellste, da sie die gesamte data.frame
.
Eine dplyr
Lösung mutate()
mit across()
.
library(dplyr)
df %>%
mutate(across(A:D,
~ .x + lag(.x),
.names = "A{col}"))
# A B C D AA AB AC AD
# 1 1 2 3 4 NA NA NA NA
# 2 2 3 4 5 3 5 7 9
# 3 3 4 5 6 5 7 9 11
# 4 4 5 6 7 7 9 11 13
# 5 5 6 7 8 9 11 13 15
# 6 6 7 8 9 11 13 15 17
Wenn Sie die vorherigen 3 Zeilen summieren möchten, sollte das zweite Argument von across()
, dh .fns
, sein
~ .x + lag(.x) + lag(.x, 2)
was der Verwendung von rollsum()
in entspricht zoo
:
~ zoo::rollsum(.x, k = 3, fill = NA, align = 'right')
Benchmark
Ein Benchmark-Test mit microbenchmark
einem neuen Paket data.frame
mit 10000 Zeilen und 100 Spalten und 10-maliger Bewertung jedes Ausdrucks.
# Unit: milliseconds
# expr min lq mean median uq max neval
# darren_base 18.58418 20.88498 35.51341 33.64953 39.31909 80.24725 10
# darren_dplyr_lag 39.49278 40.27038 47.26449 42.89170 43.20267 76.72435 10
# arg0naut91_dplyr_rollsum 436.22503 482.03199 524.54800 516.81706 534.94317 677.64242 10
# Grothendieck_rollsumr 3423.92097 3611.01573 3650.16656 3622.50895 3689.26404 4060.98054 10
Sie können dplyr
's verwenden across
(und optionale Namen festlegen) mit fortlaufender Summe (wie z. B. in implementiert zoo
):
library(dplyr)
library(zoo)
df %>%
mutate(
across(
A:D,
~ rollsum(., k = 2, fill = NA, align = 'right'),
.names = 'A{col}'
)
)
Ausgabe:
A B C D AA AB AC AD
1 1 2 3 4 NA NA NA NA
2 2 3 4 5 3 5 7 9
3 3 4 5 6 5 7 9 11
4 4 5 6 7 7 9 11 13
5 5 6 7 8 9 11 13 15
6 6 7 8 9 11 13 15 17
Mit A:D
haben wir den Bereich von Spaltennamen angegeben, auf den wir die Funktion anwenden möchten. Die Annahme oben im Argument ist, dass Sie als Präfix und den Spaltennamen ( ) .names
zusammenfügen möchten .A
{col}
Hier ist eine data.table-Lösung. Wenn Sie danach fragen, können Sie auswählen, auf welche Spalten Sie es anwenden möchten, anstatt nur auf alle Spalten.
library(data.table)
x <- data.table(A=1:6, B=2:7, C=3:8, D=4:9)
selected_cols <- c('A','B','D')
new_cols <- paste0("A",selected_cols)
x[, (new_cols) := lapply(.SD, function(col) col+shift(col, 1)), .SDcols = selected_cols]
x[]
NB: Dies ist 2- oder 3-mal schneller als die schnellste andere Antwort.
Das ist ein naiver Ansatz mit verschachtelten for
Schleifen. Passen Sie auf, dass es verdammt langsam ist, wenn Sie Hunderttausende Zeilen durchlaufen.
i <- 1
n <- 5
df <- data.frame(A=i:(i+n), B=(i+1):(i+n+1), C=(i+2):(i+n+2), D=(i+3):(i+n+3))
for (col in colnames(df)) {
for (ind in 1:nrow(df)) {
if (ind-1==0) {next}
s <- sum(df[c(ind-1, ind), col])
df[ind, paste0('S', col)] <- s
}
}
Das ist eine cumsum
Methode:
na.df <- data.frame(matrix(NA, 2, ncol(df)))
colnames(na.df) <- colnames(df)
cs1 <- cumsum(df)
cs2 <- rbind(cs1[-1:-2,], na.df)
sum.diff <- cs2-cs1
cbind(df, rbind(na.df[1,], cs1[2,], sum.diff[1:(nrow(sum.diff)-2),]))
Benchmark:
# Unit: milliseconds
# expr min lq mean median uq max neval
# darrentsai.rbind 11.5623 12.28025 23.38038 16.78240 20.83420 91.9135 100
# darrentsai.rbind.rev1 8.8267 9.10945 15.63652 9.54215 14.25090 62.6949 100
# pseudopsin.dt 7.2696 7.52080 20.26473 12.61465 17.61465 69.0110 100
# ivan866.cumsum 25.3706 30.98860 43.11623 33.78775 37.36950 91.6032 100
Ich glaube, die Cumsum-Methode verschwendet die meiste Zeit an df-Zuweisungen. Bei korrekter Anpassung an das data.table-Backend könnte es das schnellste sein.
Geben Sie die gewünschten Spalten an. Wir zeigen verschiedene Möglichkeiten, dies zu tun. Verwenden Sie dann rollsumr
, um die gewünschten Spalten zu erhalten, legen Sie die Spaltennamen fest und cbind DF
damit.
library(zoo)
# jx <- names(DF) # if all columns wanted
# jx <- sapply(DF, is.numeric) # if all numeric columns
# jx <- c("A", "B", "C", "D") # specify columns by name
jx <- 1:4 # specify columns by position
r <- rollsumr(DF[jx], 2, fill = NA)
colnames(r) <- paste0("A", colnames(r))
cbind(DF, r)
Geben:
A B C D AA AB AC AD
1 1 2 3 4 NA NA NA NA
2 2 3 4 5 3 5 7 9
3 3 4 5 6 5 7 9 11
4 4 5 6 7 7 9 11 13
5 5 6 7 8 9 11 13 15
6 6 7 8 9 11 13 15 17
Notiz
Die Eingabe in reproduzierbarer Form:
DF <- structure(list(A = 1:6, B = 2:7, C = 3:8, D = 4:9),
class = "data.frame", row.names = c(NA, -6L))