Question

我正在尝试编写一个占用大数据帧的程序，并用这些值的累积频率（按升序排序）替换每列值。例如，如果值列为：5,8,3,5,4,3,8,5,5,1那么相对和累积频率为：

1：rel_freq = 0.1，cum_freq = 0.1
3：rel_freq = 0.2，cum_freq = 0.3
4：rel_freq = 0.1，cum_freq = 0.4
5：rel_freq = 0.4，cum_freq = 0.8
8：rel_freq = 0.2，cum_freq = 1.0

然后原始列变为：0.8,1.0,0.3,0.8,0.4,0.3,1.0,0.8,0.8,0.1

以下代码正确执行此操作，但由于嵌套循环，它可能会缩小。知道如何更有效地执行此任务吗？

mydata = read.table(.....)

totalcols = ncol(mydata)
totalrows = nrow(mydata)

for (i in 1:totalcols) {
    freqtable = data.frame(table(mydata[,i])/totalrows)  # create freq table
    freqtable$CumSum = cumsum(freqtable$Freq)   # calc cumulative freq

    hashtable = new.env(hash=TRUE)
    nrows = nrow(freqtable)

    # store cum freq in hash
    for (x in 1:nrows) {
        dummy = toString(freqtable$Var1[x])
        hashtable[[dummy]] = freqtable$CumSum[x]
    }

    # replace original data with cum freq
    for (j in 1:totalrows) {
        dummy = toString(mydata[j,i])
        mydata[j,i] = hashtable[[dummy]]
    }
}

Answer 1

这会处理没有for循环的单个列：

R> x <- c(5, 8, 3, 5, 4, 3, 8, 5, 5, 1)
R> y <- cumsum(table(x)/length(x))
R> y[as.character(x)]
  5   8   3   5   4   3   8   5   5   1 
0.8 1.0 0.3 0.8 0.4 0.3 1.0 0.8 0.8 0.1

Answer 2

这是一种方法。使用包含两个变量的数据框，每个变量包含您的示例数据

d <- data.frame(var1 = c(5, 8, 3, 5, 4, 3, 8, 5, 5, 1),
                var2 = c(5, 8, 3, 5, 4, 3, 8, 5, 5, 1))

使用简单的函数

生成cumsum()给出的table(x) / length(x)相对比例，然后
match()变量中的观察值与累积总和表的名称，然后
使用id匹配从累积总和表中选择（并取消命名）

这样的功能是：

f <- function(x) {
    tab <- cumsum(table(x) / length(x))
    ind <- match(x, as.numeric(names(tab)))
    unname(tab[ind])
}

在实践中，我们使用lapply()并强制转换为数据框：

out <- data.frame(lapply(d, f))
out

给出：

R> out
   var1 var2
1   0.8  0.8
2   1.0  1.0
3   0.3  0.3
4   0.8  0.8
5   0.4  0.4
6   0.3  0.3
7   1.0  1.0
8   0.8  0.8
9   0.8  0.8
10  0.1  0.1

用累积频率有效地替换数据帧

2 个答案: