Question

我有一个显示日期，项目和值的数据框，我想添加一个列，显示其前50个条目的平均值（如果没有50，则为NA），例如表可能是

      data
date     item value  
01/01/01 a    2  
01/01/01 b    1.5  
04/01/01 c    1.7  
05/01/01 a    1.9  
......

部分可能成为

date     item value last_50_mean   
........ 
11/09/01 a    1.2   1.1638
12/09/01 b    1.9   1.5843 
12/09/01 a    1.4   1.1621
13/09/01 c    0.9   NA
........

所以在这种情况下，11/09/01之前的50个参赛作品中a的平均值是1.1638而且c在13/09/01之前没有50个参赛作品所以返回NA

我目前正在使用以下功能

执行此操作

  data[, 'last_50_mean'] <- sapply(1:nrow(data), function(i){
        prevDates <- data[data$date < data$date[i] & data$item == data$item[i], ]
        num       <- nrow(prevGames)
        if(nGames >= 50){
          round(mean(prevDates[(num- 49):num, ]$value), 4)
        }
      }
  )

但是我的数据框很大并且需要很长时间（实际上我并不是100％确定它仍在运行，因为它仍在运行......有没有人知道最好的方法呢？

Answer 1

N个观测值的平均值可以从累积和以及第一个和最后一个值diff(cumsum(x), lag=N - 1)之间的差值计算得出。你的问题想要填充第一个N - 1值，所以

meanN <- function(x, N=50)
    ## mean of last N observations, padded in front with NA
{
    x0 <- x[seq_len(length(x) - N + 1)]
    x1 <- (x0 + diff(cumsum(x), lag=N-1)) / N
    c(rep(NA, N - 1), x1)
}

您希望为多个群组执行此操作。对于data.frame喜欢

df <- data.frame(item=sample(letters[1:3], 1000, TRUE),
                 value=runif(1000, 1, 3),
                 last_50_mean=NA)

这样做的一种方法是

split(df$last_50_mean, df$item) <- lapply(split(df$value, df$item), meanN)

导致例如

> tail(df)
     item    value last_50_mean
995     c 1.191486     2.037707
996     c 2.899214     2.073022
997     c 2.019375     2.054914
998     c 2.737043     2.066389
999     a 1.703752     1.923234
1000    c 1.602442     2.043517

这假定您的数据框按时间排序。一个潜在的问题是长向量溢出cumsum;人们可以通过居中value来解决这个问题，因此期望cumsum不会偏离零。最近的一个问题涉及split<-的替代方案，并删除了最后N个观察结果。

R中最近50个条目的平均值

1 个答案: