Question

我在一个数据帧中有一个时间戳，我试图匹配第二个数据帧中最接近的时间戳，以便从第二个数据帧中提取数据。请参阅下面的我的方法的一般示例：

library(lubridate)

data <- data.frame(datetime=ymd_hms(c('2015-04-01 12:23:00 UTC', '2015-04-01 13:49:00 UTC', '2015-04-01 14:06:00 UTC' ,'2015-04-01 14:49:00 UTC')),
                   value=c(1,2,3,4))
reference <- data.frame(datetime=ymd_hms(c('2015-04-01 12:00:00 UTC', '2015-04-01 13:00:00 UTC', '2015-04-01 14:00:00 UTC' ,'2015-04-01 15:00:00 UTC', '2015-04-01 16:00:00 UTC')),
                        refvalue=c(5,6,7,8,9))

data$refvalue <- apply(data, 1, function (x){
  differences <- abs(as.numeric(difftime(ymd_hms(x['datetime']), reference$datetime)))
  mindiff <- min(differences)
  return(reference$refvalue[differences == mindiff])
})

data
#              datetime value refvalue
# 1 2015-04-01 12:23:00     1        5
# 2 2015-04-01 13:49:00     2        7
# 3 2015-04-01 14:06:00     3        7
# 4 2015-04-01 14:49:00     4        8

这很好，除非它非常慢，因为在我的实际应用程序中参考数据帧非常大。这段代码是否正确矢量化了？是否有更快，更优雅的方式执行此操作？

Answer 1

您可以使用“最近”选项

尝试data.table滚动加入

library(data.table) # v1.9.6+
setDT(reference)[data, refvalue, roll = "nearest", on = "datetime"]
# [1] 5 7 7 8

Answer 2

我想知道这是否能够匹配data.table解决方案的速度，但它是一个base-R矢量化解决方案，应该胜过你的apply版本。而且由于它实际上并没有计算距离，它实际上可能比data.table-nearest方法更快。这会将间隔中点的长度添加到间隔的最低可能值或起点，以创建一组“中间休息”，然后使用findInterval函数处理时间。这会在reference数据集的行中创建合适的索引，然后“refvalue”可以“转移”到data - 对象。

 data$reefvalue <- reference$refvalue[
                      findInterval( data$datetime, 
                                     c(-Inf, head(reference$datetime,-1))+
                                     c(0, diff(as.numeric(reference$datetime))/2 )) ]
 # values are [1] 5 7 7 8

将带时间戳的数据与另一个数据集中的最接近时间匹配。适当地矢量化？更快的方式？

2 个答案: