我正在尝试在基本上是面板数据集的位置生成精度变化（基于估计的置信区间）。
所以这里的一个简单例子就是我编写的函数并将其应用于一个非感性的例子....
precision.gain <- function(x){
x <- ts(x, start=x[1])
x.length <- seq(length = length(x))
x.lag <- lag(x, -1)
x.gain <- ((x - x.lag) * 100) / x
x.gain <- c(NA, x.gain)
x.gain
}
t <- data.frame(x=1:20)
t <- cbind(t, precision.gain(t$x))
t
x precision.gain(t$x)
1 1 NA
2 2 50.000000
3 3 33.333333
4 4 25.000000
5 5 20.000000
6 6 16.666667
7 7 14.285714
8 8 12.500000
9 9 11.111111
10 10 10.000000
11 11 9.090909
12 12 8.333333
13 13 7.692308
14 14 7.142857
15 15 6.666667
16 16 6.250000
17 17 5.882353
18 18 5.555556
19 19 5.263158
20 20 5.000000
这很有用，但很难，但是我遇到了麻烦（或者更可能是错误的理解）然后（t？）将这个应用到我的数据框中，其中的一个样本是....
subset(results.normal.sum, n2 > 20 & n2 < 30, select=c(sd2, n2, ci.width1))
sd2 n2 ci.width1
11 0.4 22 0.6528714
12 0.4 24 0.6167015
13 0.4 26 0.5895856
14 0.4 28 0.5658297
46 0.6 22 0.6529126
47 0.6 24 0.6196544
48 0.6 26 0.5922061
49 0.6 28 0.5642688
81 0.8 22 0.6513849
82 0.8 24 0.6194468
83 0.8 26 0.5923094
84 0.8 28 0.5636396
116 1.0 22 0.6522927
117 1.0 24 0.6191043
118 1.0 26 0.5900129
119 1.0 28 0.5652429
151 1.2 22 0.6518072
152 1.2 24 0.6193353
153 1.2 26 0.5892683
154 1.2 28 0.5632235
186 1.4 22 0.6527031
187 1.4 24 0.6191458
188 1.4 26 0.5899453
189 1.4 28 0.5640431
221 1.6 22 0.6521401
222 1.6 24 0.6191883
223 1.6 26 0.5893458
224 1.6 28 0.5637215
256 1.8 22 0.6512491
257 1.8 24 0.6180401
258 1.8 26 0.5905810
259 1.8 28 0.5647388
291 2.0 22 0.6515769
292 2.0 24 0.6183121
293 2.0 26 0.5896990
294 2.0 28 0.5663394
我尝试过使用Hadley Wickham的plyr包中的ddply（）......
ddply(results.normal.sum, .(sd2), precision.gain, x=ci.width1)
Error in .fun(piece, ...) : unused argument(s) (piece)
直接使用tapply（）我会到达那里，但它不会返回一个可以是cbind（）的数据框....
> tapply(results.normal.sum$ci.width1, sd2, precision.gain)
$`0.4`
[1] NA -771.332292 -68.852635 -30.514545 -19.877447 -14.515380
[7] -11.147183 -9.282641 -7.680418 -6.836209 -5.954992 -5.865053
[13] -4.599158 -4.198409 -4.155838 -3.529773 -3.590234 -3.432364
[19] -2.899601 -3.092533 -2.721967 -2.506706 -2.498318 -2.321500
[25] -2.299822 -2.187855 -2.116990 -1.896162 -1.853487 -1.604902
[31] -2.194138 -1.473042 -1.710051 -1.701994 -1.417754
$`0.6`
[1] NA -756.196418 -68.222048 -30.566420 -19.216860 -15.162929
[7] -10.645899 -9.628775 -7.326799 -7.178820 -5.770681 -5.367216
[13] -4.634938 -4.951049 -3.949776 -3.761633 -3.326209 -3.387764
[19] -3.009317 -3.074398 -2.397660 -2.678573 -2.626077 -2.268373
[25] -2.426720 -1.956498 -2.119986 -1.859410 -1.992678 -1.707448
[31] -1.991583 -1.595951 -1.765913 -1.415065 -1.655725
....
我觉得我很接近，但是我失踪了或误解了什么。
我发现了一个类似的问题here，但只是不明白所提供的答案/解决方案。
提前感谢您的帮助，
slackline
答案 0 :(得分：1)
如果我猜对了您需要的内容，以下是利用:=中方便的data.table运算符的解决方案。
首先阅读样本数据：
testData <- textConnection("sd2 n2 ci.width1
11 0.4 22 0.6528714
12 0.4 24 0.6167015
13 0.4 26 0.5895856
14 0.4 28 0.5658297
46 0.6 22 0.6529126
47 0.6 24 0.6196544
48 0.6 26 0.5922061
49 0.6 28 0.5642688
81 0.8 22 0.6513849
82 0.8 24 0.6194468
83 0.8 26 0.5923094
84 0.8 28 0.5636396
116 1.0 22 0.6522927
117 1.0 24 0.6191043
118 1.0 26 0.5900129
119 1.0 28 0.5652429
151 1.2 22 0.6518072
152 1.2 24 0.6193353
153 1.2 26 0.5892683
154 1.2 28 0.5632235
186 1.4 22 0.6527031
187 1.4 24 0.6191458
188 1.4 26 0.5899453
189 1.4 28 0.5640431
221 1.6 22 0.6521401
222 1.6 24 0.6191883
223 1.6 26 0.5893458
224 1.6 28 0.5637215
256 1.8 22 0.6512491
257 1.8 24 0.6180401
258 1.8 26 0.5905810
259 1.8 28 0.5647388
291 2.0 22 0.6515769
292 2.0 24 0.6183121
293 2.0 26 0.5896990
294 2.0 28 0.5663394")
然后，将数据放在data.table和...
library(data.table)
dt <- data.table(read.table(testData, header = TRUE))
dt[, list(n2, ci.width1, prec.gain = precision.gain(ci.width1)), by = sd2]
这是输出
> dt[, list(n2, ci.width1, prec.gain = precision.gain(ci.width1)), by = sd2]
sd2 n2 ci.width1 prec.gain
0.4 22 0.6528714 NA
0.4 24 0.6167015 -5.865058
0.4 26 0.5895856 -4.599146
0.4 28 0.5658297 -4.198419
0.6 22 0.6529126 NA
0.6 24 0.6196544 -5.367218
0.6 26 0.5922061 -4.634924
0.6 28 0.5642688 -4.951062
0.8 22 0.6513849 NA
0.8 24 0.6194468 -5.155907
0.8 26 0.5923094 -4.581626
0.8 28 0.5636396 -5.086548
1 22 0.6522927 NA
1 24 0.6191043 -5.360712
1 26 0.5900129 -4.930638
1 28 0.5652429 -4.382187
1.2 22 0.6518072 NA
1.2 24 0.6193353 -5.243024
1.2 26 0.5892683 -5.102430
1.2 28 0.5632235 -4.624239
1.4 22 0.6527031 NA
1.4 24 0.6191458 -5.419935
1.4 26 0.5899453 -4.949696
1.4 28 0.5640431 -4.592238
1.6 22 0.6521401 NA
1.6 24 0.6191883 -5.321774
1.6 26 0.5893458 -5.063666
1.6 28 0.5637215 -4.545560
1.8 22 0.6512491 NA
1.8 24 0.6180401 -5.373276
1.8 26 0.5905810 -4.649506
1.8 28 0.5647388 -4.575956
2 22 0.6515769 NA
2 24 0.6183121 -5.379937
2 26 0.5896990 -4.852153
2 28 0.5663394 -4.124664
cn sd2 n2 ci.width1 prec.gain