我有一个问题是根据指标
从R中的data.frame中提取多个值我有一个看起来像这样的数据框(df)
ROW COMPANY PRICE DATE EVENT
1 APPLE 1.50 Jan02 0
2 APPLE 1.70 Feb02 1
3 APPLE 1.65 Mar02 0
4 APPLE 1.20 Apr02 0
5 APPLE 1.30 May02 0
6 APPLE 1.14 Jun02 0
7 APPLE 1.10 Jul02 0
. . . . .
. . . . .
349.997 MICROSOFT 0.80 Sep16 0
349.998 MICROSOFT 0.65 Oct16 0
349.999 MICROSOFT 1.10 Nov16 1
350.000 MICROSOFT 0.90 Dez16 0
正如您所看到的,我有一个大型数据框架,其中包含各个公司在给定日期的股票价格。另外,我有一个事件列(只有0和1作为值)。值1表示在给定日期发生了特定事件(例如股东会议)。在350.000行中,我有2.500个事件(这意味着Column事件有2.500个事件和347.500个零)。
现在我的目标是分析特定事件周围的股票价格(例如,分析事件发生前10个月和之后15个月的股票价格)。现在我如何继续前进,我目前陷入困境。
首先,我必须根据我的公司分割我的data.frame,因为如果我在我的obervation期间(2002-2016)之外我需要获得NAs。例如如果苹果在nov16有一个事件,我需要在2个月后得到价格,我应该得到一个NA(因为它超出了我的观察期),但是在未开发的数据框架中,我会得到下一个的价格公司从2002年1月开始。
list<-split(df, f=df$COMPANY)
现在是我被卡住的部分。我需要在每个公司的活动日之后提取之前的10个价格和15个价格
我想要创建的输出看起来像(注意:&#34;?&#34; =这些值存在,但它们未在上面的示例df中显示)
Event 1 (Apple) Event 2500 (Microsoft)
-10 NA ... ?
-9 NA ... ?
. .
0 1.70 ... 1.10
. .
+15 ? ... NA
很抱歉,如果不详细解释我的问题就很难解释,但我希望我能在某种程度上明确这一点。
感谢您的帮助:)
答案 0 :(得分:1)
这可以通过dplyr
和tidyr
包来完成,尽管它有点涉及。以下是关于小得多的数据集的要点:
library(dplyr)
library(tidyr)
df <- readr::read_csv("COMPANY,PRICE,DATE,EVENT
APPLE,1.50,2002/01/01,0
APPLE,1.70,2002/02/01,1
APPLE,1.65,2002/03/01,0
APPLE,1.20,2002/04/01,0
MICROSOFT,2.50,2002/01/01,0
MICROSOFT,2.70,2002/02/01,0
MICROSOFT,2.65,2002/02/01,1
MICROSOFT,2.20,2002/03/01,0")
df
# A tibble: 8 x 4
COMPANY PRICE DATE EVENT
<chr> <dbl> <date> <int>
1 APPLE 1.50 2002-01-01 0
2 APPLE 1.70 2002-02-01 1
3 APPLE 1.65 2002-03-01 0
4 APPLE 1.20 2002-04-01 0
5 MICROSOFT 2.50 2002-01-01 0
6 MICROSOFT 2.70 2002-02-01 0
7 MICROSOFT 2.65 2002-02-01 1
8 MICROSOFT 2.20 2002-03-01 0
首先,我们需要构建一些滞后和线索。如果您想要更多的前/后活动日,则必须在此处添加更多列。
with_lags <- df %>%
group_by(COMPANY) %>%
mutate(
lag_01 = lag(PRICE, n = 1, order_by = DATE)
, lag_02 = lag(PRICE, n = 2, order_by = DATE)
, lag_00 = lag(PRICE, n = 0, order_by = DATE)
, lead_01 = lead(PRICE, n = 1, order_by = DATE)
, lead_02 = lead(PRICE, n = 2, order_by = DATE)
)
with_lags
# A tibble: 8 x 9
# Groups: COMPANY [2]
COMPANY PRICE DATE EVENT lag_01 lag_02 lag_00 lead_01 lead_02
<chr> <dbl> <date> <int> <dbl> <dbl> <dbl> <dbl> <dbl>
1 APPLE 1.50 2002-01-01 0 NA NA 1.50 1.70 1.65
2 APPLE 1.70 2002-02-01 1 1.50 NA 1.70 1.65 1.20
3 APPLE 1.65 2002-03-01 0 1.70 1.5 1.65 1.20 NA
4 APPLE 1.20 2002-04-01 0 1.65 1.7 1.20 NA NA
5 MICROSOFT 2.50 2002-01-01 0 NA NA 2.50 2.70 2.65
6 MICROSOFT 2.70 2002-02-01 0 2.50 NA 2.70 2.65 2.20
7 MICROSOFT 2.65 2002-02-01 1 2.70 2.5 2.65 2.20 NA
8 MICROSOFT 2.20 2002-03-01 0 2.65 2.7 2.20 NA NA
现在我们只保留EVENT为1的行,然后将数据重新洗回长格式。请注意,您必须编辑调用gather()
函数的行,以反映您在上面构建的滞后/潜在客户列的列表:
long_form <- with_lags %>%
filter(EVENT == 1) %>%
select(-PRICE, -EVENT, -DATE) %>%
gather(period, price, lag_01:lead_02) %>%
separate(period, c("lag_or_lead", "lag_order")) %>%
mutate(
lag_order = ifelse(lag_or_lead == "lag",
-1 * as.numeric(lag_order),
as.numeric(lag_order))
) %>%
select(-lag_or_lead) %>%
arrange(COMPANY, lag_order)
long_form
# A tibble: 10 x 3
# Groups: COMPANY [2]
COMPANY lag_order price
<chr> <dbl> <dbl>
1 APPLE -2 NA
2 APPLE -1 1.50
3 APPLE 0 1.70
4 APPLE 1 1.65
5 APPLE 2 1.20
6 MICROSOFT -2 2.50
7 MICROSOFT -1 2.70
8 MICROSOFT 0 2.65
9 MICROSOFT 1 2.20
10 MICROSOFT 2 NA
如果您需要广泛使用此格式,则可以使用spread()
包中的tidyr
将公司转移到列中。
答案 1 :(得分:1)
我可能会因为建议(震惊恐怖)在基础R中执行此操作而被击落,但恕我直言的代码很容易理解和编辑,这通常是更简洁但不易理解的编程的首选。只有2500个事件,我认为它应该足够快。如果您能将解决方案的速度与实际数据进行比较,那将会很有趣吗?
$ bq query --use_legacy_sql=false "SELECT x FROM UNNEST([1, 2, 3]) AS x;"
Waiting on <job id> ... (0s) Current status: DONE
+---+
| x |
+---+
| 1 |
| 2 |
| 3 |
+---+
$ bq query -n=0 --use_legacy_sql=false "SELECT x FROM UNNEST([1, 2, 3]) AS x;"
Waiting on <job id> ... (0s) Current status: DONE