在子集数据集上计算时如何避免R中的Loop
我在R中有以下数据集（它有3,700,000行）：
Bday_1 Bday_2 Bday_3 …. Bday_31 HD_1 HD_2 HD_3 ……… HD_31
1.60 12.23 3.72 4.00 0 1 0 1
7.11 5.75 1.40 67.81 0 0 0 0
6.73 3.41 0.96 63.72 1 0 0 1
2.12 6.47 2.09 81.09 1 0 0 1
4.28 9.48 6.10 46.09 0 1 0 0
我希望使用以下规则计算另一个具有31列的变量：
例如：仅为第一行
chk = ceiling(Bday_3) = 4
temp_vector = "HD_3" "HD_4" "HD_5" "HD_6" (it is 4 HDs after the starting number)
Cday_3 = Bday_3 + sum(temp_vector)
我已经为它编写了循环，如下所示。这是工作;但对于这样大小的数据大小，执行时间超过24小时。有更简单的方法吗？
for (k in 1: nrow(FBF_SLA)){
for (i in 1:31){
days_check = ceiling(FBF_SLA[k,c(BDays_SLA[i])])
temp_vector = paste(rep("HD",days_check),c(i : (i + days_check - 1)),sep = "_")
FBF_SLA[k,c(CDays_SLA[i])] = FBF_SLA[k,c(BDays_SLA[i])] + unname(rowSums(FBF_SLA[k,c(temp_vector)]))
}
}
1 个答案:
答案 0 :(得分：2)
这是一个棘手的问题！正如您所发现的，这里面临的主要挑战是性能。 R是一种优秀的语言，但它最大的弱点可能是编写慢速代码非常容易，有时很难编写快速代码。
R中性能优化的基本规则是矢量化您的操作。你的双循环每个输出单元执行一次计算，这是非常昂贵的，并且可以通过重写计算以在整个3,700,000行输入列上作为向量操作数来改进。
然而，对于您的具体问题，存在相对不寻常的挑战。必须为HD_*加法运算的RHS求和的Cday个输入列的集合因计算而异。换句话说，对于每个输出单元，您需要从输入data.frame中索引的精确HD_*列的总和是不同的。对每个输出单元计算执行单独的索引操作和求和将是非常昂贵的。
我意识到，由于每个总和始终适用于HD_*列的从左到右的范围，因此我们可以将每行中所有HD_*列的cumsum()预先计算为临时变量。然后，为了获得任何范围的总和，我们可以简单地索引范围的最终cumsum值，然后在范围开始之前从一列中减去cumsum值。这必须针对每个基本列索引单独完成，因此我们需要使用lapply()而不是列{1}}到1。为了支持第一列的减法操作，我们还需要添加一列零。在我的代码中，我将此预先计算的数据存储在NC。
可以使用index matrix索引形式对这些索引操作进行矢量化。因此，我们需要做的就是构建一个索引矩阵，每行hdcums行一行，行索引为hdcums到1的线性序列，列索引为基本列索引加上范围中的列数，即您的NR公式。如果范围超出ceiling(Bday_*)列范围，我们还需要将其打包在pmin(NC+1L,...)中（注意：HD_*是由于前置的零列）。
因此，向量化计算由整个+1L列组成，加上通过索引矩阵索引Bday_*生成的最终cumsum值向量，减去索引{{1}生成的先前cumsum值使用基本列索引。
要解决此问题，我使用rlnorm()为hdcums值生成一些随机测试数据，为hdcums值生成sample()。我使用Bday_*的决定是基于这样一个事实：您在HD_*中拥有所有正值，并且我希望获得类似正态分布的内容，log-normal distribution非常适合。我还在rlnorm()列中使用了增加Bday_*，因为您的sdlog值似乎从左到右变得更大（至少在Bday_*中），但我承认这不是完全必要的。
下面我将使用Bday_*和Bday_31各10行和6列演示。
Bday_*这是一个全尺寸的性能测试，对3条耗时的线路中的每一条进行system.time()次调用：
HD_*（请注意，第一个计时结果对于您的目的并不重要，因为这只是我的随机测试数据的生成;我只是为了信息而包含它。）
正如您所看到的，预计算set.seed(2);
NC <- 6L;
NR <- 10L;
df <- as.data.frame(matrix(c(round(rlnorm(NR*NC,rep(0.5+seq_len(NC)*0.1,each=NR),0.3),2),sample(0:1,NR*NC,replace=T)),NR,dimnames=list(NULL,c(paste0('Bday_',seq_len(NC)),paste0('HD_',seq_len(NC))))));
df;
## Bday_1 Bday_2 Bday_3 Bday_4 Bday_5 Bday_6 HD_1 HD_2 HD_3 HD_4 HD_5 HD_6
## 1 1.39 2.28 4.17 3.07 2.42 2.34 0 0 0 0 1 1
## 2 1.93 2.70 1.55 2.71 1.51 5.58 0 1 0 0 1 0
## 3 2.93 1.79 3.59 3.40 2.11 2.54 1 0 1 1 0 0
## 4 1.30 1.47 4.00 2.26 4.81 4.40 1 1 0 0 1 1
## 5 1.78 3.44 2.23 1.95 3.28 2.19 0 0 0 1 0 0
## 6 1.90 1.01 1.07 2.06 4.94 1.67 1 1 1 0 1 1
## 7 2.25 2.62 2.57 1.47 2.48 2.73 1 1 1 1 0 0
## 8 1.70 2.04 1.86 1.88 2.65 3.98 0 1 0 0 1 0
## 9 3.30 2.73 2.82 2.08 2.57 4.23 1 0 0 0 0 1
## 10 1.75 2.29 2.43 2.28 1.90 4.96 0 0 0 0 1 1
hdcums <- cbind(0,t(apply(df[grep('^HD_',names(df))],1,cumsum)));
hdcums;
## HD_1 HD_2 HD_3 HD_4 HD_5 HD_6
## [1,] 0 0 0 0 0 1 2
## [2,] 0 0 1 1 1 2 2
## [3,] 0 1 1 2 3 3 3
## [4,] 0 1 2 2 2 3 4
## [5,] 0 0 0 0 1 1 1
## [6,] 0 1 2 3 3 4 5
## [7,] 0 1 2 3 4 4 4
## [8,] 0 0 1 1 1 2 2
## [9,] 0 1 1 1 1 1 2
## [10,] 0 0 0 0 0 1 2
df[,paste0('Cday_',seq_len(NC))] <- lapply(seq_len(NC),function(col) df[[col]] + hdcums[matrix(c(seq_len(NR),pmin(NC+1L,col+ceiling(df[[col]]))),NR,2L)] - hdcums[,col]);
df;
## Bday_1 Bday_2 Bday_3 Bday_4 Bday_5 Bday_6 HD_1 HD_2 HD_3 HD_4 HD_5 HD_6 Cday_1 Cday_2 Cday_3 Cday_4 Cday_5 Cday_6
## 1 1.39 2.28 4.17 3.07 2.42 2.34 0 0 0 0 1 1 1.39 2.28 6.17 5.07 4.42 3.34
## 2 1.93 2.70 1.55 2.71 1.51 5.58 0 1 0 0 1 0 2.93 3.70 1.55 3.71 2.51 5.58
## 3 2.93 1.79 3.59 3.40 2.11 2.54 1 0 1 1 0 0 4.93 2.79 5.59 4.40 2.11 2.54
## 4 1.30 1.47 4.00 2.26 4.81 4.40 1 1 0 0 1 1 3.30 2.47 6.00 4.26 6.81 5.40
## 5 1.78 3.44 2.23 1.95 3.28 2.19 0 0 0 1 0 0 1.78 4.44 3.23 2.95 3.28 2.19
## 6 1.90 1.01 1.07 2.06 4.94 1.67 1 1 1 0 1 1 3.90 3.01 2.07 4.06 6.94 2.67
## 7 2.25 2.62 2.57 1.47 2.48 2.73 1 1 1 1 0 0 5.25 5.62 4.57 2.47 2.48 2.73
## 8 1.70 2.04 1.86 1.88 2.65 3.98 0 1 0 0 1 0 2.70 3.04 1.86 2.88 3.65 3.98
## 9 3.30 2.73 2.82 2.08 2.57 4.23 1 0 0 0 0 1 4.30 2.73 2.82 3.08 3.57 5.23
## 10 1.75 2.29 2.43 2.28 1.90 4.96 0 0 0 0 1 1 1.75 2.29 3.43 4.28 3.90 5.96
只需要大约70秒，然后只需要13秒来执行31次矢量化计算。 24小时内有显着改善！
我还研究了一个基于Rcpp的解决方案，看看我们是否可以通过在C ++中执行整个计算来进一步提高性能。事实证明，我们可以。下面的演示继续从上面的全尺寸性能测试开始，将set.seed(2);
NC <- 31L;
NR <- 3.7e6L;
system.time({ df <- as.data.frame(matrix(c(round(rlnorm(NR*NC,rep(0.5+seq_len(NC)*0.1,each=NR),0.3),2),sample(0:1,NR*NC,replace=T)),NR,dimnames=list(NULL,c(paste0('Bday_',seq_len(NC)),paste0('HD_',seq_len(NC)))))); });
## user system elapsed
## 29.937 2.906 32.853
head(df); tail(df);
## Bday_1 Bday_2 Bday_3 Bday_4 Bday_5 Bday_6 Bday_7 Bday_8 Bday_9 Bday_10 Bday_11 Bday_12 Bday_13 Bday_14 Bday_15 Bday_16 Bday_17 Bday_18 Bday_19 Bday_20 Bday_21 Bday_22 Bday_23 Bday_24 Bday_25 Bday_26 Bday_27 Bday_28 Bday_29 Bday_30 Bday_31 HD_1 HD_2 HD_3 HD_4 HD_5 HD_6 HD_7 HD_8 HD_9 HD_10 HD_11 HD_12 HD_13 HD_14 HD_15 HD_16 HD_17 HD_18 HD_19 HD_20 HD_21 HD_22 HD_23 HD_24 HD_25 HD_26 HD_27 HD_28 HD_29 HD_30 HD_31
## 1 1.39 1.64 1.45 2.29 2.62 3.26 2.34 3.91 2.65 6.41 5.73 3.92 5.11 10.65 5.51 8.10 7.41 8.07 9.56 11.83 9.05 8.81 16.54 23.12 26.23 31.42 26.89 19.91 31.12 38.50 47.66 0 1 1 1 0 1 0 0 0 1 1 1 1 1 0 1 1 1 1 1 0 1 1 0 1 1 1 1 1 1 0
## 2 1.93 3.26 2.45 1.92 4.06 2.01 2.27 6.61 6.55 5.42 5.76 5.71 3.65 6.55 6.52 10.95 7.20 11.13 7.16 17.41 16.56 16.35 20.21 14.15 19.80 12.96 12.05 15.69 40.81 29.15 48.28 0 1 1 1 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 0 0 0 1 0 1 0 1 1 1 1 1
## 3 2.93 1.77 2.38 2.22 3.29 3.93 3.16 2.36 5.92 2.51 3.98 5.41 7.65 8.40 6.91 11.61 10.77 17.68 11.76 10.51 10.07 9.65 14.99 17.15 18.05 16.85 21.61 46.14 33.15 43.76 40.10 1 0 1 0 1 1 0 1 0 1 0 0 1 0 1 0 0 1 1 0 0 1 1 1 1 1 0 0 0 0 1
## 4 1.30 2.33 2.28 2.26 2.14 4.53 2.43 8.69 2.47 2.22 4.95 6.17 5.59 4.61 8.52 10.94 8.59 15.78 10.07 15.32 10.36 23.15 10.73 20.32 18.99 24.20 19.67 23.73 17.06 28.68 22.02 0 1 0 0 1 0 1 0 1 1 1 1 0 1 0 1 0 1 0 1 1 0 0 1 0 0 1 0 0 0 0
## 5 1.78 2.01 2.62 3.41 3.99 4.59 4.40 2.04 5.61 2.61 4.62 11.14 3.82 3.98 6.19 10.00 11.32 12.49 11.20 10.57 30.62 10.36 18.64 26.65 13.70 25.38 47.55 48.51 22.14 65.28 31.64 0 0 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 1 1 0 1 1 0 0 0 1 0 1 1 1 1
## 6 1.90 2.10 1.32 2.55 3.17 3.66 5.37 4.61 4.05 3.15 5.14 6.32 7.09 5.21 8.47 8.49 3.59 6.44 7.73 11.83 12.47 18.67 10.56 18.36 13.59 36.21 13.16 26.77 30.47 39.61 45.86 0 0 0 1 1 1 0 1 0 1 0 1 1 1 1 1 0 0 0 0 1 1 1 1 1 0 1 1 0 0 1
## Bday_1 Bday_2 Bday_3 Bday_4 Bday_5 Bday_6 Bday_7 Bday_8 Bday_9 Bday_10 Bday_11 Bday_12 Bday_13 Bday_14 Bday_15 Bday_16 Bday_17 Bday_18 Bday_19 Bday_20 Bday_21 Bday_22 Bday_23 Bday_24 Bday_25 Bday_26 Bday_27 Bday_28 Bday_29 Bday_30 Bday_31 HD_1 HD_2 HD_3 HD_4 HD_5 HD_6 HD_7 HD_8 HD_9 HD_10 HD_11 HD_12 HD_13 HD_14 HD_15 HD_16 HD_17 HD_18 HD_19 HD_20 HD_21 HD_22 HD_23 HD_24 HD_25 HD_26 HD_27 HD_28 HD_29 HD_30 HD_31
## 3699995 2.02 1.39 1.61 3.57 2.33 4.29 3.75 2.34 2.22 3.71 4.65 4.87 7.42 6.64 7.45 4.88 9.43 9.38 8.78 9.19 16.88 12.26 11.94 13.79 22.19 26.93 30.02 22.12 57.83 33.74 45.20 0 1 1 1 0 1 0 1 1 0 0 1 0 0 0 1 0 1 0 1 0 1 0 1 0 1 0 0 0 1 0
## 3699996 2.44 2.35 2.52 2.88 2.63 2.30 4.33 2.88 4.67 3.87 3.76 5.94 7.09 4.94 6.10 9.11 11.67 10.41 18.27 11.97 12.27 13.84 19.16 15.52 15.90 37.48 21.96 19.86 30.20 23.79 56.55 0 0 0 1 0 1 0 1 1 0 0 0 1 0 1 1 1 0 1 1 1 1 0 1 1 1 1 0 0 0 1
## 3699997 3.48 2.19 2.27 2.67 1.41 4.02 2.02 3.14 5.40 2.30 7.51 4.96 4.06 8.74 6.45 11.91 8.70 7.13 14.66 8.99 13.88 12.94 23.77 16.46 16.18 22.91 25.20 24.44 35.57 52.91 47.57 0 1 0 0 1 0 0 0 0 0 0 1 0 1 1 1 0 1 0 1 1 1 0 0 1 1 1 1 1 0 1
## 3699998 2.68 1.63 1.55 1.62 3.02 3.00 2.92 3.10 3.59 4.78 5.99 5.50 5.75 12.67 9.35 7.57 9.35 7.43 5.41 9.15 10.92 21.05 12.65 25.29 21.00 18.63 15.57 30.96 32.45 18.39 37.04 0 1 1 0 1 1 0 1 0 0 0 1 1 1 1 0 1 1 1 1 1 0 1 0 0 0 1 1 0 1 1
## 3699999 1.62 2.17 2.95 1.63 5.78 3.49 3.52 4.59 6.45 4.79 7.41 3.93 6.91 10.42 8.75 8.46 5.48 8.64 10.62 22.62 14.13 13.12 10.19 21.40 26.65 31.67 31.14 26.52 21.06 61.38 37.07 1 0 1 0 1 1 1 0 0 1 0 1 0 1 1 0 1 0 0 1 1 1 0 1 1 0 0 0 1 0 1
## 3700000 2.00 2.54 1.45 2.94 2.56 3.49 3.40 2.52 4.23 4.71 11.82 8.48 5.34 6.82 10.67 16.26 9.16 10.27 15.61 10.46 24.70 18.43 17.41 15.70 13.10 24.01 19.12 25.59 32.41 32.45 32.74 1 0 1 1 0 1 1 0 1 0 1 1 0 0 1 1 0 0 1 1 0 1 1 1 0 1 1 0 1 1 0
system.time({ hdcums <- cbind(0,t(apply(df[grep('^HD_',names(df))],1,cumsum))); });
## user system elapsed
## 67.640 2.063 69.720
head(hdcums); tail(hdcums);
## HD_1 HD_2 HD_3 HD_4 HD_5 HD_6 HD_7 HD_8 HD_9 HD_10 HD_11 HD_12 HD_13 HD_14 HD_15 HD_16 HD_17 HD_18 HD_19 HD_20 HD_21 HD_22 HD_23 HD_24 HD_25 HD_26 HD_27 HD_28 HD_29 HD_30 HD_31
## [1,] 0 0 1 2 3 3 4 4 4 4 5 6 7 8 9 9 10 11 12 13 14 14 15 16 16 17 18 19 20 21 22 22
## [2,] 0 0 1 2 3 3 4 5 6 7 8 8 8 8 8 8 9 10 11 12 12 12 12 13 13 14 14 15 16 17 18 19
## [3,] 0 1 1 2 2 3 4 4 5 5 6 6 6 7 7 8 8 8 9 10 10 10 11 12 13 14 15 15 15 15 15 16
## [4,] 0 0 1 1 1 2 2 3 3 4 5 6 7 7 8 8 9 9 10 10 11 12 12 12 13 13 13 14 14 14 14 14
## [5,] 0 0 0 1 1 1 2 3 3 3 3 3 4 4 5 5 6 6 7 8 8 9 10 10 10 10 11 11 12 13 14 15
## [6,] 0 0 0 0 1 2 3 3 4 4 5 5 6 7 8 9 10 10 10 10 10 11 12 13 14 15 15 16 17 17 17 18
## HD_1 HD_2 HD_3 HD_4 HD_5 HD_6 HD_7 HD_8 HD_9 HD_10 HD_11 HD_12 HD_13 HD_14 HD_15 HD_16 HD_17 HD_18 HD_19 HD_20 HD_21 HD_22 HD_23 HD_24 HD_25 HD_26 HD_27 HD_28 HD_29 HD_30 HD_31
## [3699995,] 0 0 1 2 3 3 4 4 5 6 6 6 7 7 7 7 8 8 9 9 10 10 11 11 12 12 13 13 13 13 14 14
## [3699996,] 0 0 0 0 1 1 2 2 3 4 4 4 4 5 5 6 7 8 8 9 10 11 12 12 13 14 15 16 16 16 16 17
## [3699997,] 0 0 1 1 1 2 2 2 2 2 2 2 3 3 4 5 6 6 7 7 8 9 10 10 10 11 12 13 14 15 15 16
## [3699998,] 0 0 1 2 2 3 4 4 5 5 5 5 6 7 8 9 9 10 11 12 13 14 14 15 15 15 15 16 17 17 18 19
## [3699999,] 0 1 1 2 2 3 4 5 5 5 6 6 7 7 8 9 9 10 10 10 11 12 13 13 14 15 15 15 15 16 16 17
## [3700000,] 0 1 1 2 3 3 4 5 5 6 6 7 8 8 8 9 10 10 10 11 12 12 13 14 15 15 16 17 17 18 19 19
system.time({ df[,paste0('Cday_',seq_len(NC))] <- lapply(seq_len(NC),function(col) df[[col]] + hdcums[matrix(c(seq_len(NR),pmin(NC+1L,col+ceiling(df[[col]]))),NR,2L)] - hdcums[,col]); });
## user system elapsed
## 11.750 1.266 13.031
head(df); tail(df);
## Bday_1 Bday_2 Bday_3 Bday_4 Bday_5 Bday_6 Bday_7 Bday_8 Bday_9 Bday_10 Bday_11 Bday_12 Bday_13 Bday_14 Bday_15 Bday_16 Bday_17 Bday_18 Bday_19 Bday_20 Bday_21 Bday_22 Bday_23 Bday_24 Bday_25 Bday_26 Bday_27 Bday_28 Bday_29 Bday_30 Bday_31 HD_1 HD_2 HD_3 HD_4 HD_5 HD_6 HD_7 HD_8 HD_9 HD_10 HD_11 HD_12 HD_13 HD_14 HD_15 HD_16 HD_17 HD_18 HD_19 HD_20 HD_21 HD_22 HD_23 HD_24 HD_25 HD_26 HD_27 HD_28 HD_29 HD_30 HD_31 Cday_1 Cday_2 Cday_3 Cday_4 Cday_5 Cday_6 Cday_7 Cday_8 Cday_9 Cday_10 Cday_11 Cday_12 Cday_13 Cday_14 Cday_15 Cday_16 Cday_17 Cday_18 Cday_19 Cday_20 Cday_21 Cday_22 Cday_23 Cday_24 Cday_25 Cday_26 Cday_27 Cday_28 Cday_29 Cday_30 Cday_31
## 1 1.39 1.64 1.45 2.29 2.62 3.26 2.34 3.91 2.65 6.41 5.73 3.92 5.11 10.65 5.51 8.10 7.41 8.07 9.56 11.83 9.05 8.81 16.54 23.12 26.23 31.42 26.89 19.91 31.12 38.50 47.66 0 1 1 1 0 1 0 0 0 1 1 1 1 1 0 1 1 1 1 1 0 1 1 0 1 1 1 1 1 1 0 2.39 3.64 3.45 4.29 3.62 4.26 2.34 5.91 4.65 12.41 10.73 6.92 10.11 18.65 10.51 15.10 13.41 15.07 17.56 20.83 17.05 16.81 23.54 29.12 32.23 36.42 30.89 22.91 33.12 39.50 47.66
## 2 1.93 3.26 2.45 1.92 4.06 2.01 2.27 6.61 6.55 5.42 5.76 5.71 3.65 6.55 6.52 10.95 7.20 11.13 7.16 17.41 16.56 16.35 20.21 14.15 19.80 12.96 12.05 15.69 40.81 29.15 48.28 0 1 1 1 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 0 0 0 1 0 1 0 1 1 1 1 1 2.93 6.26 4.45 2.92 8.06 5.01 5.27 9.61 8.55 6.42 6.76 7.71 4.65 10.55 10.52 16.95 11.20 18.13 10.16 24.41 23.56 23.35 27.21 20.15 25.80 17.96 17.05 19.69 43.81 31.15 49.28
## 3 2.93 1.77 2.38 2.22 3.29 3.93 3.16 2.36 5.92 2.51 3.98 5.41 7.65 8.40 6.91 11.61 10.77 17.68 11.76 10.51 10.07 9.65 14.99 17.15 18.05 16.85 21.61 46.14 33.15 43.76 40.10 1 0 1 0 1 1 0 1 0 1 0 0 1 0 1 0 0 1 1 0 0 1 1 1 1 1 0 0 0 0 1 4.93 2.77 4.38 4.22 6.29 5.93 5.16 4.36 7.92 3.51 4.98 7.41 11.65 12.40 9.91 18.61 17.77 25.68 17.76 15.51 16.07 15.65 19.99 21.15 21.05 18.85 22.61 47.14 34.15 44.76 41.10
## 4 1.30 2.33 2.28 2.26 2.14 4.53 2.43 8.69 2.47 2.22 4.95 6.17 5.59 4.61 8.52 10.94 8.59 15.78 10.07 15.32 10.36 23.15 10.73 20.32 18.99 24.20 19.67 23.73 17.06 28.68 22.02 0 1 0 0 1 0 1 0 1 1 1 1 0 1 0 1 0 1 0 1 1 0 0 1 0 0 1 0 0 0 0 2.30 3.33 3.28 3.26 4.14 7.53 4.43 14.69 5.47 5.22 7.95 10.17 8.59 7.61 12.52 15.94 12.59 20.78 14.07 19.32 13.36 25.15 12.73 22.32 19.99 25.20 20.67 23.73 17.06 28.68 22.02
## 5 1.78 2.01 2.62 3.41 3.99 4.59 4.40 2.04 5.61 2.61 4.62 11.14 3.82 3.98 6.19 10.00 11.32 12.49 11.20 10.57 30.62 10.36 18.64 26.65 13.70 25.38 47.55 48.51 22.14 65.28 31.64 0 0 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 1 1 0 1 1 0 0 0 1 0 1 1 1 1 1.78 3.01 3.62 5.41 5.99 6.59 5.40 2.04 7.61 3.61 6.62 18.14 5.82 5.98 10.19 15.00 17.32 20.49 18.20 16.57 37.62 16.36 23.64 31.65 18.70 30.38 51.55 52.51 25.14 67.28 32.64
## 6 1.90 2.10 1.32 2.55 3.17 3.66 5.37 4.61 4.05 3.15 5.14 6.32 7.09 5.21 8.47 8.49 3.59 6.44 7.73 11.83 12.47 18.67 10.56 18.36 13.59 36.21 13.16 26.77 30.47 39.61 45.86 0 0 0 1 1 1 0 1 0 1 0 1 1 1 1 1 0 0 0 0 1 1 1 1 1 0 1 1 0 0 1 1.90 3.10 2.32 5.55 6.17 5.66 8.37 7.61 7.05 6.15 10.14 11.32 11.09 8.21 13.47 13.49 3.59 10.44 12.73 19.83 20.47 25.67 16.56 23.36 17.59 39.21 16.16 28.77 31.47 40.61 46.86
## Bday_1 Bday_2 Bday_3 Bday_4 Bday_5 Bday_6 Bday_7 Bday_8 Bday_9 Bday_10 Bday_11 Bday_12 Bday_13 Bday_14 Bday_15 Bday_16 Bday_17 Bday_18 Bday_19 Bday_20 Bday_21 Bday_22 Bday_23 Bday_24 Bday_25 Bday_26 Bday_27 Bday_28 Bday_29 Bday_30 Bday_31 HD_1 HD_2 HD_3 HD_4 HD_5 HD_6 HD_7 HD_8 HD_9 HD_10 HD_11 HD_12 HD_13 HD_14 HD_15 HD_16 HD_17 HD_18 HD_19 HD_20 HD_21 HD_22 HD_23 HD_24 HD_25 HD_26 HD_27 HD_28 HD_29 HD_30 HD_31 Cday_1 Cday_2 Cday_3 Cday_4 Cday_5 Cday_6 Cday_7 Cday_8 Cday_9 Cday_10 Cday_11 Cday_12 Cday_13 Cday_14 Cday_15 Cday_16 Cday_17 Cday_18 Cday_19 Cday_20 Cday_21 Cday_22 Cday_23 Cday_24 Cday_25 Cday_26 Cday_27 Cday_28 Cday_29 Cday_30 Cday_31
## 3699995 2.02 1.39 1.61 3.57 2.33 4.29 3.75 2.34 2.22 3.71 4.65 4.87 7.42 6.64 7.45 4.88 9.43 9.38 8.78 9.19 16.88 12.26 11.94 13.79 22.19 26.93 30.02 22.12 57.83 33.74 45.20 0 1 1 1 0 1 0 1 1 0 0 1 0 0 0 1 0 1 0 1 0 1 0 1 0 1 0 0 0 1 0 4.02 3.39 3.61 5.57 3.33 7.29 5.75 4.34 3.22 4.71 5.65 6.87 10.42 9.64 11.45 7.88 14.43 14.38 12.78 13.19 20.88 16.26 14.94 16.79 24.19 28.93 31.02 23.12 58.83 34.74 45.20
## 3699996 2.44 2.35 2.52 2.88 2.63 2.30 4.33 2.88 4.67 3.87 3.76 5.94 7.09 4.94 6.10 9.11 11.67 10.41 18.27 11.97 12.27 13.84 19.16 15.52 15.90 37.48 21.96 19.86 30.20 23.79 56.55 0 0 0 1 0 1 0 1 1 0 0 0 1 0 1 1 1 0 1 1 1 1 0 1 1 1 1 0 0 0 1 2.44 3.35 3.52 4.88 3.63 4.30 6.33 4.88 6.67 4.87 4.76 9.94 13.09 7.94 12.10 17.11 20.67 18.41 27.27 19.97 19.27 19.84 24.16 20.52 19.90 40.48 23.96 20.86 31.20 24.79 57.55
## 3699997 3.48 2.19 2.27 2.67 1.41 4.02 2.02 3.14 5.40 2.30 7.51 4.96 4.06 8.74 6.45 11.91 8.70 7.13 14.66 8.99 13.88 12.94 23.77 16.46 16.18 22.91 25.20 24.44 35.57 52.91 47.57 0 1 0 0 1 0 0 0 0 0 0 1 0 1 1 1 0 1 0 1 1 1 0 0 1 1 1 1 1 0 1 4.48 3.19 3.27 3.67 2.41 4.02 2.02 3.14 7.40 3.30 12.51 8.96 7.06 15.74 11.45 19.91 13.70 12.13 23.66 15.99 21.88 19.94 29.77 22.46 22.18 27.91 29.20 27.44 37.57 53.91 48.57
## 3699998 2.68 1.63 1.55 1.62 3.02 3.00 2.92 3.10 3.59 4.78 5.99 5.50 5.75 12.67 9.35 7.57 9.35 7.43 5.41 9.15 10.92 21.05 12.65 25.29 21.00 18.63 15.57 30.96 32.45 18.39 37.04 0 1 1 0 1 1 0 1 0 0 0 1 1 1 1 0 1 1 1 1 1 0 1 0 0 0 1 1 0 1 1 4.68 3.63 2.55 2.62 6.02 5.00 3.92 4.10 4.59 7.78 9.99 10.50 10.75 20.67 16.35 13.57 15.35 12.43 9.41 14.15 16.92 26.05 17.65 29.29 25.00 22.63 19.57 33.96 34.45 20.39 38.04
## 3699999 1.62 2.17 2.95 1.63 5.78 3.49 3.52 4.59 6.45 4.79 7.41 3.93 6.91 10.42 8.75 8.46 5.48 8.64 10.62 22.62 14.13 13.12 10.19 21.40 26.65 31.67 31.14 26.52 21.06 61.38 37.07 1 0 1 0 1 1 1 0 0 1 0 1 0 1 1 0 1 0 0 1 1 1 0 1 1 0 0 0 1 0 1 2.62 3.17 4.95 2.63 9.78 5.49 5.52 6.59 10.45 7.79 11.41 6.93 9.91 17.42 13.75 13.46 9.48 13.64 16.62 29.62 20.13 18.12 14.19 25.40 29.65 33.67 33.14 28.52 23.06 62.38 38.07
## 3700000 2.00 2.54 1.45 2.94 2.56 3.49 3.40 2.52 4.23 4.71 11.82 8.48 5.34 6.82 10.67 16.26 9.16 10.27 15.61 10.46 24.70 18.43 17.41 15.70 13.10 24.01 19.12 25.59 32.41 32.45 32.74 1 0 1 1 0 1 1 0 1 0 1 1 0 0 1 1 0 0 1 1 0 1 1 1 0 1 1 0 1 1 0 3.00 4.54 3.45 4.94 4.56 6.49 5.40 3.52 7.23 6.71 18.82 13.48 7.34 10.82 17.67 26.26 15.16 17.27 24.61 18.46 31.70 25.43 23.41 20.70 17.10 28.01 22.12 27.59 34.41 33.45 32.74
复制到hdcums减去输出列，然后使用我命名的C ++实现函数重新计算df上的输出列df2。然后，我使用all.equal()验证df2是否匹配addBdayHDs()，忽略了可忽略不计的浮点差异：
df2- 我写了这段代码，但我无法理解我的错误
- 我无法从一个代码实例的列表中删除 None 值，但我可以在另一个实例中。为什么它适用于一个细分市场而不适用于另一个细分市场？
- 是否有可能使 loadstring 不可能等于打印？卢阿
- java中的random.expovariate()
- Appscript 通过会议在 Google 日历中发送电子邮件和创建活动
- 为什么我的 Onclick 箭头功能在 React 中不起作用？
- 在此代码中是否有使用“this”的替代方法？
- 在 SQL Server 和 PostgreSQL 上查询，我如何从第一个表获得第二个表的可视化
- 每千个数字得到
- 更新了城市边界 KML 文件的来源？