Scorri le colonne per sommare i 2 numeri precedenti di ogni riga
In R, ho un dataframe, con colonne 'A', 'B', 'C', 'D'. Le colonne hanno 100 righe.
Ho bisogno di scorrere le colonne per eseguire un calcolo per tutte le righe nel dataframe che somma le 2 righe precedenti di quella colonna, quindi impostare in nuove colonne ('AA', 'AB', ecc.) qual è quella somma:
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
a
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
Qualcuno può spiegare come creare una funzione/loop che mi permetta di impostare le colonne su cui voglio iterare (colonne selezionate, non tutte le colonne) e le colonne che voglio impostare?
Risposte
Una base
riga:
cbind(df, setNames(df + df[c(NA, 1:(nrow(df)-1)), ], paste0("A", names(df))))
Se i tuoi dati sono di grandi dimensioni, questo potrebbe essere il più veloce perché manipola l'intero file data.frame
.
Una dplyr
soluzione che usa mutate()
con 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
Se vuoi sommare le 3 righe precedenti, il secondo argomento di across()
, ie .fns
, dovrebbe essere
~ .x + lag(.x) + lag(.x, 2)
che è equivalente all'uso di rollsum()
in zoo
:
~ zoo::rollsum(.x, k = 3, fill = NA, align = 'right')
Prova delle prestazioni
Un test di benchmark con microbenchmark
pacchetto su un nuovo data.frame
con 10000 righe e 100 colonne e valuta ogni espressione per 10 volte.
# 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
Puoi usare dplyr
's across
(e impostare nomi facoltativi) con somma mobile (come implementato ad esempio in zoo
):
library(dplyr)
library(zoo)
df %>%
mutate(
across(
A:D,
~ rollsum(., k = 2, fill = NA, align = 'right'),
.names = 'A{col}'
)
)
Produzione:
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
Con A:D
abbiamo specificato l'intervallo di nomi di colonna a cui vogliamo applicare la funzione. Il presupposto sopra .names
nell'argomento è che si desidera incollare insieme A
come prefisso e il nome della colonna ( {col}
).
Ecco una soluzione data.table. Come richiesto, ti consente di selezionare a quali colonne desideri applicarlo anziché solo a tutte le colonne.
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 Questa è 2 o 3 volte più veloce dell'altra risposta più veloce.
Questo è un approccio ingenuo con for
loop nidificati. Fai attenzione, è dannatamente lento se esegui l'iterazione su centinaia di migliaia di righe.
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
}
}
Questo è un cumsum
metodo:
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),]))
Prova delle prestazioni:
# 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
Credo che la maggior parte delle volte il metodo cumsum sprechi nelle allocazioni df. Se correttamente adattato al backend data.table, potrebbe essere il più veloce.
Specifica le colonne che vogliamo. Mostriamo diversi modi per farlo. Quindi usa rollsumr
per ottenere le colonne desiderate, imposta i nomi delle colonne e cbind DF
con esso.
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)
dando:
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
Nota
L'input in forma riproducibile:
DF <- structure(list(A = 1:6, B = 2:7, C = 3:8, D = 4:9),
class = "data.frame", row.names = c(NA, -6L))