Iterasi melalui kolom untuk menjumlahkan 2 angka sebelumnya dari setiap baris
Di R, saya memiliki kerangka data, dengan kolom 'A', 'B', 'C', 'D'. Kolom memiliki 100 baris.
Saya perlu mengulang melalui kolom untuk melakukan perhitungan untuk semua baris di dataframe yang menjumlahkan 2 baris sebelumnya dari kolom itu, dan kemudian mengatur di kolom baru ('AA', 'AB', dll) berapa jumlahnya:
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
untuk
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
Adakah yang bisa menjelaskan cara membuat fungsi / loop yang memungkinkan saya untuk mengatur kolom yang ingin saya iterasi (kolom yang dipilih, tidak semua kolom) dan kolom yang ingin saya atur?
Jawaban
Satu base
baris:
cbind(df, setNames(df + df[c(NA, 1:(nrow(df)-1)), ], paste0("A", names(df))))
Jika data Anda besar, ini mungkin yang tercepat karena memanipulasi keseluruhan data.frame
.
Sebuah dplyr
solusi menggunakan mutate()
dengan 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
Jika Anda ingin menjumlahkan 3 baris sebelumnya, argumen kedua across()
, yaitu .fns
, harus
~ .x + lag(.x) + lag(.x, 2)
yang setara dengan penggunaan rollsum()
di zoo
:
~ zoo::rollsum(.x, k = 3, fill = NA, align = 'right')
Tolok ukur
Uji tolok ukur dengan microbenchmark
paket baru data.frame
dengan 10.000 baris dan 100 kolom dan mengevaluasi setiap ekspresi sebanyak 10 kali.
# 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
Anda dapat menggunakan dplyr
's across
(dan mengatur nama opsional) dengan rolling sum (seperti yang diterapkan misalnya dalam zoo
):
library(dplyr)
library(zoo)
df %>%
mutate(
across(
A:D,
~ rollsum(., k = 2, fill = NA, align = 'right'),
.names = 'A{col}'
)
)
Keluaran:
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
Dengan A:D
kami telah menentukan rentang nama kolom yang ingin kami terapkan fungsinya. Asumsi di atas dalam .names
argumen adalah Anda ingin menempelkan bersama A
sebagai awalan dan nama kolom ( {col}
).
Berikut solusi data.table. Saat Anda memintanya, ini memungkinkan Anda untuk memilih kolom mana yang ingin Anda terapkan daripada hanya untuk semua kolom.
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 Ini 2 atau 3 kali lebih cepat dari jawaban tercepat lainnya.
Itu adalah pendekatan yang naif dengan for
loop bersarang . Berhati-hatilah, ini sangat lambat jika Anda akan mengulang lebih dari ratusan ribu baris.
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
}
}
Itu adalah cumsum
metode:
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),]))
Tolok ukur:
# 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
Saya percaya, sebagian besar waktu metode cumsum membuang-buang alokasi df. Jika diadaptasi dengan benar ke backend data.table, ini bisa menjadi yang tercepat.
Tentukan kolom yang kita inginkan. Kami menunjukkan beberapa cara berbeda untuk melakukan itu. Kemudian gunakan rollsumr
untuk mendapatkan kolom yang diinginkan, atur nama kolom dan ikat DF
dengannya.
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)
memberi:
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
Catatan
Masukan dalam bentuk yang dapat direproduksi:
DF <- structure(list(A = 1:6, B = 2:7, C = 3:8, D = 4:9),
class = "data.frame", row.names = c(NA, -6L))