Question

我习惯使用Python和JS，对R来说很新，但是喜欢它用于数据分析。我希望在我的数据框架中创建一个基于if / else逻辑的新字段，并尝试以标准/程序方式进行：

for (i in 1:nrow(df)) {
  if (is.na(df$First_Payment_date[i]) == TRUE) {
    df$User_status[i] = "User never paid"
  } else if (df$Payment_Date[i] >= df$First_Payment_date[i]) {
    df$User_status[i] = "Paying user"
  } else if (df$Payment_Date[i] < df$First_Payment_date[i]) {
    df$User_status[i] = "Attempt before first payment"
  } else {
    df$User_status[i] = "Error"
  }
}

但这很疯狂。我尝试在大约300万行的数据框架上运行它，并且它花了太长时间。有关“R”方式的任何提示吗？

请注意，df$Payment_Date和df$First_Payment_date字段的格式为日期。

Answer 1

如果您初始化为＆＃34;错误＆＃34;然后覆盖使用逻辑索引枚举的条件，这应该快得多。每行的if（）{} else {}语句都会杀了你。

df$User_status <- "Error"
df$User_status[ is.na(df$First_Payment_date) ] <- "User never paid"
df$User_status[ df$Payment_Date >= df$First_Payment_date ] <- "Paying user"
df$User_status[ df$Payment_Date < df$First_Payment_date ] <- "Attempt before first payment"

Answer 2

我正在针对相对较大的数据集对data.frame和data.table进行基准测试。

首先我们生成一些数据。

set.seed(1234)
library(data.table)
df = data.frame(First_Payment_date=c(sample(c(NA,1:100),1000000, replace=1)),
                 Payment_Date=c(sample(1:100,1000000, replace=1)))
dt = data.table(df)

然后设置基准。我在@ BondedDust的答案和它的data.table等价之间进行测试。我稍微修改了（调试）他的代码。

library(microbenchmark)

test_df = function(){
    df$User_status <- "Error"
    df$User_status[ is.na(df$First_Payment_date) ] <- "User never paid"
    df$User_status[ df$Payment_Date >= df$First_Payment_date ] <- "Paying user"
    df$User_status[ df$Payment_Date < df$First_Payment_date ] <- "Attempt before first payment"
}

test_dt = function(){
    dt[, User_status := "Error"]
    dt[is.na(First_Payment_date), User_status := "User never paid"]
    dt[Payment_Date >= First_Payment_date, User_status := "Paying user"]
    dt[Payment_Date < First_Payment_date, User_status := "Attempt before first payment"]
}

microbenchmark(test_df(), test_dt(), times=10)

结果：data.table生成的100万行数据比data.frame快4倍。

> microbenchmark(test_df(), test_dt(), times=10)
Unit: milliseconds
      expr       min        lq    median        uq       max neval
 test_df() 247.29182 256.69067 287.89768 319.34873 330.33915    10
 test_dt()  66.74265  69.42574  70.27826  72.93969  80.89847    10

注意

对于小型数据集，
data.frame比data.table快（例如10000行。）

Answer 3

我不确定这会加速它，但你应该看到比以前的for循环有所改善。在这些条件下，else并不是必需的。

此外，R具有充当for循环的函数和其他类型的循环。见?apply。

给它一个镜头，看看它是如何工作的。我无法测试，因为我们没有您的数据。

> df$User_status[i] <- rep("Error", nrow(df)) 
      ## allocate a vector, fill it with "Error"

> sapply(seq(nrow(df)), function(i){

    if(is.na(df$First_Payment_date[i])){ 
      gsub("Error", "User never paid", df$User_status[i]) }

    if(df$Payment_Date[i] >= df$First_Payment_date[i]){
      gsub("Error", "Paying user", df$User_status[i]) }

    if (df$Payment_Date[i] < df$First_Payment_date[i]) {
      gsub("Error", "Attempt before first payment", df$User_status[i]) }

    })

Answer 4

处理此类事情的常用方法是通过ifelse。

df$User_status <- with(df,
    ifelse(is.na(First_Payment_date), "User never paid",
    ifelse(Payment_Date >= First_Payment_date, "Paying user",
    ifelse(Payment_Date < First_Payment_date, "Attempt before first payment",
    "Error"))))

这个R循环的更高效版本

4 个答案: