Question

我有一个循环，不仅导致时间问题，因为要在30k的数据集上运行会花费很长时间，但没有提供正确的输出。

interval <- days(10)

df <- data.frame(CompanyID = c(23512, 51250, 12515, 51250, 52512, 51250), 
                 openingDate = as.Date(c("1999-07-15", "1995-02-01", 
                 "2001-01-25", "1995-02-04", "2004-07-08", "1996-05-25")),
                 Rev = c(1000, 2000, 4000, 5000, 5500, 2050))

for(id in unique(df$CompanyID)){
    df[, c("groupID")] <- NA
    df[, c("updatedRev")] <- df$Rev

tempDF <- df %>% filter(CompanyID == id)

if(nrow(tempDF) == 1){
  #arbitrary unique ID
  df$groupID[df$CompanyID == id] <- paste(id) 
}

else{
  dfDateRange <- tempDF[order(tempDF$openingDate),]

  while(nrow(dfDateRange) > 0) { # until table is empty

    earliest_date <- dfDateRange$openingDate[1] #earliest date within subset
    within_dates <- dfDateRange %>% filter(openingDate <= earliest_date + interval) 
    # all data within the interval

    # values to replace in subset that falls within date range
    # Revenue
    df$updatedRev[(df$CompanyID == id) &
                    (df$openingDate %in% within_dates$openingDate )] <-
    sum(within_dates$Rev)

    # Generate Group ID 
    df$groupID[(df$CompanyID == id) &
                 (df$openingDate %in% within_dates$openingDate)] <- paste(id)

    # moving on to rows outside of date range
    dfDateRange <- dfDateRange %>% 
       filter(dfDateRange$openingDate > (earliest_date + interval))

  }
 }
}

此代码的翻译是：

采用大数据框，创建一个临时组ID列以供以后使用，并创建一个updatedRev列，该列将在以后根据条件被覆盖
对于每个唯一的CompanyID，创建一个数据框并分配一个新的ID
如果有多个CompanyID发生，那么我们将所有发生在特定日期范围内的条件作为子集
对于属于指定日期范围内的数据，我们将覆盖“收入”值，并为该组分配一个组ID（在此示例中，第2行和第4行）
对于那些不在日期范围内的行，请转到下一个最早的开放日期-并查看哪些行在该范围内，并按照从for循环开始的步骤进行操作

关于此的两个问题。在运行循环后返回数据帧时，我返回

> df
  CompanyID openingDate  Rev groupID updatedRev
1     23512  1999-07-15 1000    <NA>       1000
2     51250  1995-02-01 2000    <NA>       2000
3     12515  2001-01-25 4000    <NA>       4000
4     51250  1995-02-04 5000    <NA>       5000
5     52512  2004-07-08 5500   52512       5500
6     51250  1996-05-25 2050    <NA>       2050

什么时候该回来：

  CompanyID openingDate  Rev groupID updatedRev
1     23512  1999-07-15 1000   23512       1000
2     51250  1995-02-01 2000   51250       7000
3     12515  2001-01-25 4000   12515       4000
4     51250  1995-02-04 5000   51250       7000
5     52512  2004-07-08 5500   52512       5500
6     51250  1996-05-25 2050   51250       2050

*请注意，updatedRev不会更新，以替换公司ID 51250的重复值的总和为10天的范围。

我的另一个问题是，当我将其包装在函数中时-说test()并运行函数test(df)-df不会改变。这是为什么？

注意：稍后我将调整groupId使其更加准确，以便可以在第2行和第4行之间区分第6行。只想提出这个问题，因为这只是行调整。

Answer 1

假设我正确理解了您的问题说明（不幸的是，您的代码和翻译非常深刻，请参阅下面的评论），下面的tidyverse方法将重现您的预期输出

library(tidyverse)
df %>%
    rowid_to_column("row") %>%                      
    mutate(
        openingDate = as.Date(openingDate),
        groupID = CompanyID) %>%
    group_by(groupID) %>%
    arrange(openingDate) %>%
    mutate(
        diff = openingDate - lag(openingDate),
        grp = cumsum(+!(is.na(diff) | diff < 10))) %>%
    group_by(groupID, grp) %>%
    mutate(updatedRev = sum(Rev)) %>%
    ungroup() %>%
    select(-diff, -grp) %>%
    arrange(row)
## A tibble: 6 x 6
#    row CompanyID openingDate   Rev groupID updatedRev
#  <int>     <dbl> <date>      <dbl>   <dbl>      <dbl>
#1     1    23512. 1999-07-15  1000.  23512.      1000.
#2     2    51250. 1995-02-01  2000.  51250.      7000.
#3     3    12515. 2001-01-25  4000.  12515.      4000.
#4     4    51250. 1995-02-04  5000.  51250.      7000.
#5     5    52512. 2004-07-08  5500.  52512.      5500.
#6     6    51250. 1996-05-25  2050.  51250.      2050.

说明：按groupID = CompanyID对条目进行分组，按openingDate进行排序，计算连续openingDate之间的差异，并根据是否连续grp给出openingDate标签s在10天内；然后按groupID 和 grp分组，并创建updatedRev作为分组的Rev值的总和。最后一步是整理和重新排列data.frame以重现预期的输出。

我要创建额外的列row只是为了帮助将结果与预期输出中的结果进行比较。如果不需要，请删除。

您的代码有多个问题，可读性是其中之一，但其中大多数与for和while循环有关。例如，我不明白您在

中要做什么

for(id in unique(df$CompanyID)){
    df[, c("groupID")] <- NA
    df[, c("updatedRev")] <- df$Rev

您无需在id循环内的任何地方使用for，只需执行以下操作即可

df$groupID <- NA
df$updatedRev <- df$Rev

更新

要获得相隔groupID天的观测值的唯一>=10，可以将companyID和grp串联

df %>%
rowid_to_column("row") %>%
mutate(openingDate = as.Date(openingDate)) %>%
group_by(CompanyID) %>%
arrange(openingDate) %>%
mutate(
    diff = openingDate - lag(openingDate),
    grp = cumsum(+!(is.na(diff) | diff < 10)),
    groupID = paste(CompanyID, grp, sep = "_")) %>%
group_by(groupID, grp) %>%
mutate(updatedRev = sum(Rev)) %>%
ungroup() %>%
select(-diff, -grp) %>%
arrange(row)
## A tibble: 6 x 6
#    row CompanyID openingDate   Rev groupID updatedRev
#  <int>     <dbl> <date>      <dbl> <chr>        <dbl>
#1     1    23512. 1999-07-15  1000. 23512_0      1000.
#2     2    51250. 1995-02-01  2000. 51250_0      7000.
#3     3    12515. 2001-01-25  4000. 12515_0      4000.
#4     4    51250. 1995-02-04  5000. 51250_0      7000.
#5     5    52512. 2004-07-08  5500. 52512_0      5500.
#6     6    51250. 1996-05-25  2050. 51250_1      2050.

用循环子集数据帧-失败

1 个答案:

更新