我想在代码中改进两点，但是我不知道该怎么做。可以说我下面有代码。
#Creating artificially dates and variables
date<-(seq(as.Date('2000-11-01'),as.Date('2020-06-01'),by = '1 month'))
x<-rnorm(length(date))
y<-runif(length(date))
z<-rexp(length(date))
df3<-data.frame(date,x,y,z)
#Create a function which creates data frame converted from monthly data to quarter data with respect to mean
agg_quarter<-function(data){
#Converting first variable (second column, because first one is date-column)
first_conv<-aggregate(data[,2]~quarter + year, transform(data, quarter = quarters(data[,1]),
year = as.integer(format(data[,1], '%Y'))), mean)
final<-first_conv[order(first_conv$year),]
#Adding next converts to my data frame
for (i in 3:length(data)){
next_conv<-aggregate(data[,i]~quarter + year, transform(data, quarter = quarters(data[,1]), year = as.integer(format(data[,1], '%Y'))), mean)
final<-cbind(final,next_conv[order(next_conv$year), ][,3])
}
final
}
agg_quarter(df3)
quarter year x y z
1 Q4 2000 0.45942451 0.7929780 0.7539960
2 Q1 2001 1.23138264 0.4747510 0.5584441
3 Q2 2001 0.44231712 0.7679884 0.6885684
4 Q3 2001 -0.13386136 0.3885452 1.1084284
5 Q4 2001 0.59844310 0.7335526 0.3695344
6 Q1 2002 1.24900446 0.2888266 0.4352385
7 Q2 2002 0.43844015 0.5924775 0.8822304
8 Q3 2002 0.37774550 0.8112969 1.3918558
9 Q4 2002 0.57288044 0.6549678 0.5810611
10 Q1 2003 0.14598182 0.4013501 0.4013333
11 Q2 2003 -0.62909627 0.5509173 1.2683533
12 Q3 2003 -0.71456619 0.3974511 1.2887639
13 Q4 2003 0.45491216 0.6072442 0.6193801
14 Q1 2004 0.01672842 0.4396954 1.1243245
15 Q2 2004 -0.39333422 0.7621499 1.2563600
16 Q3 2004 -0.39156951 0.5565475 1.2788598
17 Q4 2004 1.10912010 0.4413196 0.9220222
18 Q1 2005 -0.40701050 0.7760670 0.8635499
19 Q2 2005 0.30103801 0.5224330 1.0501535
20 Q3 2005 0.45887917 0.2483629 0.6272839
21 Q4 2005 0.02241649 0.5932321 1.2629598
22 Q1 2006 0.41543193 0.1908029 0.5970694
23 Q2 2006 -0.98873460 0.6352816 1.7712819
24 Q3 2006 -0.10828167 0.1545828 1.6988625
25 Q4 2006 -0.73658041 0.3856345 0.8629566
26 Q1 2007 0.15195634 0.2793902 1.0515791
27 Q2 2007 -0.30395748 0.6836821 1.2211982
28 Q3 2007 0.79359011 0.4844654 1.0220515
29 Q4 2007 0.16158802 0.6107544 0.6732919
30 Q1 2008 0.52899548 0.4588903 0.8438358
31 Q2 2008 1.92334521 0.4538614 1.1388537
32 Q3 2008 -0.80191834 0.5997541 0.6089949
33 Q4 2008 -0.57103869 0.7024573 0.2376695
34 Q1 2009 -0.24723440 0.5005447 0.2627463
35 Q2 2009 -0.30381117 0.4626645 1.3784519
36 Q3 2009 -1.17451628 0.6690295 1.6415845
37 Q4 2009 -0.87982746 0.8445355 0.3022675
38 Q1 2010 0.07076255 0.3292379 0.9728483
39 Q2 2010 0.07184322 0.5096927 1.0615695
40 Q3 2010 -0.26468911 0.3171100 0.4730112
41 Q4 2010 -0.69391437 0.4562580 1.8500731
42 Q1 2011 0.21756054 0.6201900 0.4027133
43 Q2 2011 0.17217771 0.4929368 0.5876891
44 Q3 2011 -0.42497597 0.3867183 0.7277180
45 Q4 2011 -0.21056633 0.5237307 0.6656154
46 Q1 2012 0.69480678 0.5872376 0.6828554
47 Q2 2012 -0.47632856 0.3717660 1.3673013
48 Q3 2012 0.27589228 0.4867553 1.0885047
49 Q4 2012 0.44380526 0.6387452 0.7829597
50 Q1 2013 -0.05414971 0.5554888 0.1508641
51 Q2 2013 -0.75089399 0.8138965 1.4438334
52 Q3 2013 0.92820143 0.5835876 1.4205822
53 Q4 2013 0.44616063 0.6300494 0.3126694
54 Q1 2014 -0.41365654 0.2320446 1.0940730
55 Q2 2014 -1.11164312 0.4898071 0.1683786
56 Q3 2014 0.14569456 0.6576827 1.0650230
57 Q4 2014 0.06138058 0.6081637 0.9863737
58 Q1 2015 0.09543675 0.0961604 0.7548227
59 Q2 2015 -0.47135801 0.8781596 0.7984845
60 Q3 2015 -0.26276167 0.7056564 0.7241858
61 Q4 2015 0.71868865 0.4662655 0.9601569
62 Q1 2016 0.56489638 0.7037970 1.9201958
63 Q2 2016 0.66280429 0.3777969 1.0581366
64 Q3 2016 -0.70528460 0.7409868 0.8436434
65 Q4 2016 0.31846701 0.2421001 1.8622658
66 Q1 2017 0.56373102 0.3889981 1.5053578
67 Q2 2017 -0.23500096 0.4646629 0.4574373
68 Q3 2017 0.62223194 0.5856600 0.5756991
69 Q4 2017 0.25810799 0.5065837 1.9082879
70 Q1 2018 -0.09286488 0.3999487 0.9742502
71 Q2 2018 -0.48238163 0.2719190 1.3198815
72 Q3 2018 -0.29015459 0.7341444 0.5792056
73 Q4 2018 0.07895146 0.4277270 3.2260907
74 Q1 2019 -0.55417141 0.4413805 0.5651649
75 Q2 2019 1.19594061 0.5188568 0.4132742
76 Q3 2019 -0.35045666 0.4089393 1.8479158
77 Q4 2019 1.17132684 0.3002464 0.5272597
78 Q1 2020 -0.69268958 0.4336187 0.5031869
79 Q2 2020 -0.05743833 0.4061218 0.7290067
关于上述代码的改进，我有两个问题。
（1）是否有可能将我的季度和年份列连接成一个？现在，如您在输出中看到的那样，这些是单独的列，我认为这是不必要的。
（2）有没有其他方法可以做到？我的意思是我在上面的代码中所做的是转换第二列，然后添加下一个转换后的变量。我正在考虑可以一次转换整个数据帧的方法。这样做可行吗？
答案 0 :(得分：2)
使用末尾的注释和yearqtr类（从Zoo包中）可重复显示的数据，可以将其简化为一行代码：
library(zoo)
aggregate(df3[-1], list(yq = as.yearqtr(df3[[1]])), mean)
给予：
yq x y z
1 2000 Q4 -0.395326568 0.5916578 1.4637230
2 2001 Q1 0.586168147 0.5780197 0.4912218
3 2001 Q2 0.303639986 0.3075270 0.3069566
4 2001 Q3 0.030522325 0.4456214 1.9126493
5 2001 Q4 0.290422665 0.5787345 1.1096687
6 2002 Q1 0.576307493 0.4116260 1.6420619
...etc...
也可以使用aggregate.zoo这样来完成。它创建了一个动物园系列z，使用aggregate.zoo进行了整合，然后转换回data.frame。如果动物园对象结果正常，则可以省略最后一行。
z <- read.zoo(df3)
ag <- aggregate(z, as.yearqtr, mean)
fortify.zoo(ag, names = "yq")
要使数据可重复，我们必须使用set.seed：
set.seed(123)
date <- seq(as.Date('2000-11-01'), as.Date('2020-06-01'),
by = '1 month')
n <- length(date)
df3 <- data.frame(date, x = rnorm(n), y = runif(n), z = rexp(n))