Question

我在R中编写了以下函数来计算具有列名DATE（YYYY-MM-DD），ID，VAR1和VAR2的数据帧的每个日期和前一天的两天平均VAR。没有错过的日期。

df <- data.frame

TWODAY <- function(df){

df$TWODAY_VAR1 <- NA
for(j in 2:length(df$VAR1)){
df$TWODAY_VAR1[j] <- mean(df$VAR1[j:(j-1)])
 }

df$TWODAY_VAR2 <- NA
for(j in 2:length(df$VAR2)){
df$TWODAY_VAR2[j] <- mean(df$VAR2[j:(j-1)])
}

return(df)
}

然后我使用ddply将此函数应用于我的数据框：

df <- ddply(df, "ID", TWODAY)

但是，我的数据框包含超过13,000,000个观测值，而且运行速度非常慢。有没有人有任何建议我如何编辑我的代码，使其更有效？

非常感谢任何建议！

Answer 1

手动矢量化：

FOO <- function(x){
  c(NA, (x[2:length(x)]+x[1:(length(x)-1)])/2)
}

示例：

set.seed(123)
df <- data.frame(VAR1 = rnorm(10000), VAR2 = runif(10000))

> head(df)
         VAR1      VAR2
1 -0.56047565 0.9911234
2 -0.23017749 0.3022307
3  1.55870831 0.4337590
4  0.07050839 0.1605209
5  0.12928774 0.8230267
6  1.71506499 0.2080906

df$TWODAY_VAR1 <- FOO(df$VAR1)
df$TWODAY_VAR2 <- FOO(df$VAR2)

> head(df)
         VAR1      VAR2 TWODAY_VAR1 TWODAY_VAR2
1 -0.56047565 0.9911234          NA          NA
2 -0.23017749 0.3022307 -0.39532657   0.6466770
3  1.55870831 0.4337590  0.66426541   0.3679948
4  0.07050839 0.1605209  0.81460835   0.2971400
5  0.12928774 0.8230267  0.09989806   0.4917738
6  1.71506499 0.2080906  0.92217636   0.5155586

即使有1300万行，这也应该非常快。一百万行对我来说是一段时间的断裂。

具有13.000.000行的单个变量的基准：

> b
Unit: seconds
                           expr      min       lq      mean    median        uq       max neval
 df$TWODAY_VAR1 <- FOO(df$VAR1) 0.182657 0.209106 0.2308234 0.2175971 0.2239455 0.3119504    10

Answer 2

使用rowMeans的解决方案：

nRow <- 13e6
df <- data.frame(VAR1 = rnorm(nRow),
                 VAR2 = rnorm(nRow))
df$TWODAY_VAR1 <- rowMeans(cbind(df$VAR1, c(NA, df$VAR1[-nrow(df)])))
df$TWODAY_VAR2 <- rowMeans(cbind(df$VAR2, c(NA, df$VAR2[-nrow(df)])))

cbind两个向量cbind(df$VAR1, c(df$VAR1[-1], NA)（最后一行为NA）并应用rowMeans。

平均行及其在data.frame中的上一行

2 个答案: