Question

我有来自具有唯一ID的主题的数据，这些ID多次访问，每个访问都在数据框的单独一行中。某些信息（例如性别或出生年份）只能在一次访问中收集，而与任何访问都相关。对于未收集信息的访问，该字段将为NA。因此，我创建了一个函数，该函数将给定字段的主题信息复制到所有访问中，从而取代了NA。它可以工作，但是代码很笨拙，现在我正在学习整理整齐的数据，我想将其合并以使代码更整洁。我也希望它能加快这一过程，但事实并非如此。

首先，这里是一些玩具数据：

data <- tibble(record_id = c(rep(LETTERS[1:4], 3)), 
               year1 = c(NA, NA, 2000, 2001, 2002, rep(NA, 7)),
               year2 = c(rep(NA, 5), 2003, 2004, 2005, 2006, rep(NA, 3)))

以下内容将提供所需的结果：

data %>% 
  group_by(id) %>% 
  arrange(year1, .by_group = T) %>% 
  fill(year1) %>%
  arrange(year2) %>%
  fill(year2)

在整理之前，我先创建了这段代码，然后一切正常。

mash.old <- function(data, variable){
  x <- data[!is.na(data[,variable]),] %>%
    distinct(record_id, .keep_all = T)
  x <- as.data.frame(x)
  for(i in 1:nrow(data)){
    if(is.na(data[i,variable]) &
       data[i, "record_id"] %in% x$record_id){
      id <- data[i, "record_id"]
      data[i,variable] <- x[x$record_id == as.character(id),
                            variable]
    }else{
      next
    }
  }
  rm(x, id, i)
  return(data)
}

我可以跑步

data <- mash.old(data, 'year1')
data <- mash.old(data, 'year2')

并获得理想的结果。

我想通过允许它接受变量向量来执行功能来对其进行改进，可以选择分组变量（对象ID变量名称），并使用dplyr / tidyr。所以我创建了这个：

mash.new <- function(data, variables, grouping.var = record_id){
  for(i in variables){
    data <- data %>%
      group_by(!!enquo(grouping.var)) %>%
      arrange((!!sym(i)), .by_group = T) %>%
      fill(!!sym(i)) %>%
      ungroup()
  }
  return(data)
}

现在mash.new(data, c('year1, 'year2'))将返回预期的结果。这个小数据帧没问题。

我的实际数据帧有15762行，我想为12个变量运行该函数。 mash.old()完成了大约四分钟。 mash.new()说，这大约需要三个小时，所以我在大约五分钟后将其停止。

我的问题是为什么会有如此巨大的差异？我认为我的第一个功能是业余和笨拙，我以为自己正在进步。仅仅是分组，安排，填充和分组的过程需要更多的计算能力吗？有没有更好的方法来写这个？我是自学成才，只是想提高自己的技能。

编辑

感谢您的帮助。这是我最终使用的功能。即使Cole的data.table版本更快，我还是选择坚持使用dplyr方法，因为这就是我所知道的。

mash <- function(data, variables, grouping.var = record_id){
   data <- data %>%
      arrange(!!enquo(grouping.var)) %>%
      group_by(!!enquo(grouping.var)) %>%
      mutate_at(vars(!!!variables), 
                function(x) zoo::na.locf(x[order(x)], na.rm = F)) %>%
      ungroup()
   return(data)
}
#Note that if there are two different entries for a given subject in a 
#variable, this will fill with the data that comes last in the sort order

Answer 1

最大的改进是一次group_by()。现在，您正在执行12个分组和取消分组，这增加了很多不必要的开销。另外，新功能将所有内容重新分配给自身-如果我们在year1上，则没有理由弄乱year2或report_id

的内存

library(dplyr)
library(zoo)

data%>%
  arrange(record_id)%>%
  group_by(record_id)%>%
  mutate_at(vars(-group_cols()), function(x) zoo::na.locf(x[order(x)], na.rm = F))%>%
  ungroup()

# A tibble: 12 x 3
   record_id year1 year2
   <chr>     <dbl> <dbl>
 1 A          2002  2006
 2 A          2002  2006
 3 A          2002  2006
 4 B            NA  2003
 5 B            NA  2003
 6 B            NA  2003
 7 C          2000  2004
 8 C          2000  2004
 9 C          2000  2004
10 D          2001  2005
11 D          2001  2005
12 D          2001  2005

此外，我最终的最爱是data.table。简短而甜美：

library(data.table)
library(zoo)

dt <- as.data.table(data)

vars_n <- names(dt)[-1] #included if you want to make a function later
dt[,lapply(.SD, function(x) zoo::na.locf(x[order(x)], na.rm = F)), keyby = record_id, .SDcols = vars_n]

它也是最快的

Unit: milliseconds
           expr     min       lq      mean   median       uq      max neval
     cole_dplyr  3.2388  3.39800  3.588391  3.47175  3.62610   6.6420   100
       cole_dt2  1.6135  1.83535  2.082963  1.96230  2.07435   6.7179   100
    mashing_old  4.6119  4.86305  5.175244  4.94930  5.10220   9.1026   100
    mashing_new 16.1860 16.82445 18.610696 17.30585 18.01270 101.6192   100
 OP_non_mashing 15.1633 15.57970 16.914889 16.10400 16.97860  46.5837   100

我的所有代码-基准位于底部：

library(tidyverse)

data <- tibble(record_id = c(rep(LETTERS[1:4], 3)), 
               year1 = c(NA, NA, 2000, 2001, 2002, rep(NA, 7)),
               year2 = c(rep(NA, 5), 2003, 2004, 2005, 2006, rep(NA, 3)))

data <- tibble(record_id = c(rep(LETTERS[1:4], 3)), 
               year1 = c(NA, NA, 2000, 2001, 2002, rep(NA, 7)),
               year2 = c(rep(NA, 5), 2003, 2004, 2005, 2006, 2002, rep(NA, 2)))

data

library(data.table)
dt <- as.data.table(data)

vars_n <- names(dt)[-1] #included if you want to make a function later
dt[,lapply(.SD, function(x) zoo::na.locf(x[order(x)], na.rm = F)), keyby = record_id, .SDcols = vars_n]


data%>%
  arrange(record_id)%>%
  group_by(record_id)%>%
  mutate_at(vars(-group_cols()), function(x) zoo::na.locf(x[order(x)], na.rm = F))%>%
  ungroup()

mash.old <- function(data, variable){
  x <- data[!is.na(data[,variable]),] %>%
    distinct(record_id, .keep_all = T)
  x <- as.data.frame(x)
  for(i in 1:nrow(data)){
    if(is.na(data[i,variable]) &
       data[i, "record_id"] %in% x$record_id){
      id <- data[i, "record_id"]
      data[i,variable] <- x[x$record_id == as.character(id),
                            variable]
    }else{
      next
    }
  }
  rm(x, id, i)
  return(data)
}

mash.new <- function(data, variables, grouping.var = record_id){
  for(i in variables){
    data <- data %>%
      group_by(!!enquo(grouping.var)) %>%
      arrange((!!sym(i)), .by_group = T) %>%
      fill(!!sym(i)) %>%
      ungroup()
  }
  return(data)
}

library(microbenchmark)

microbenchmark(
  cole_dplyr = {
    data %>%
      arrange(record_id)%>%
      group_by(record_id)%>%
      mutate_at(vars(-group_cols()), function(x) zoo::na.locf(x[order(x)], na.rm = F))%>%
      ungroup()
  }
  ,
  # cole_dt = {
  #   dt1 <- copy(dt)
  #   
  #   vars_n <- names(dt1)[-1]
  #   dt1[, (vars_n) := lapply(.SD, function(x) zoo::na.locf(sort(x))), keyby = record_id]
  # },
  cole_dt2 = {
    dt[,lapply(.SD, function(x) zoo::na.locf(x[order(x)], na.rm = F)), keyby = record_id]
    },
  mashing_old = {
    data1 <- data
    data1 <- mash.old(data1, 'year1')
    data1 <- mash.old(data1, 'year2')
  }
  ,
  mashing_new = {
    mash.new(data, c('year1', 'year2'))
  }
  , OP_non_mashing = {
    data %>%
      group_by(record_id) %>%
      arrange(year1, .by_group = T) %>%
      fill(year1) %>%
      arrange(year2) %>%
      fill(year2)
  }
)

R：函数的“整洁”版本比原始版本慢很多，我想知道为什么

编辑

1 个答案: