Question

我想重塑data.table，并包含每个变量的历史（累计求和）信息。 No变量表示对象ID的度量的时间顺序。在每次测量时，都会找到其他信息。我想在对象No的每个时间戳ID聚合已知信息。

让我用一个例子来证明：

对于以下data.table：

df <- data.table(ID=c(1,1,1,2,2,2,2),
                 No=c(1,2,3,1,2,3,4), 
                 Variable=c('a','b', 'a', 'c', 'a', 'a', 'b'),
                 Value=c(2,1,3,3,2,1,5))
df
   ID No Variable Value
1:  1  1        a     2
2:  1  2        b     1
3:  1  3        a     3
4:  2  1        c     3
5:  2  2        a     2
6:  2  3        a     1
7:  2  4        b     5

我想重塑它：

       ID No  a  b  c
    1:  1  1  2 NA NA
    2:  1  2  2  1 NA
    3:  1  3  5  1 NA
    4:  2  1 NA NA  3
    5:  2  2  2 NA  3
    6:  2  3  3 NA  3
    7:  2  4  3  5  3

Value的总和值，Variable，(ID, No)，累计超过No。

我可以通过

获得没有累积部分的结果

dcast(df, ID+No~Variable, value.var="Value")

导致非累积变体：

   ID No  a  b  c
1:  1  1  2 NA NA
2:  1  2 NA  1 NA
3:  1  3  3 NA NA
4:  2  1 NA NA  3
5:  2  2  2 NA NA
6:  2  3  1 NA NA
7:  2  4 NA  5 NA

任何想法如何使这累积？原始data.table有超过250,000行，因此效率很重要。

编辑：我刚用a，b，c作为例子，原始文件有大约40个不同的级别。此外，NA很重要;还有Value - 值为0，这意味着除了NA

之外的其他内容

可能的解决方案

好的，所以我找到了一个有效的解决方案。它远没有效率，因为它扩大了原来的表格。

我们的想法是复制每一行TotalNo - No次，其中TotalNo是No每ID个df[,TotalNo := .N, by=ID] df2 <- df[rep(seq(nrow(df)), (df$TotalNo - df$No + 1))] #create duplicates df3 <- df2[order(ID, No)]#, No:= seq_len(.N), by=.(ID, No)] df3[,No:= seq(from=No[1], to=TotalNo[1], by=1), by=.(ID, No)] df4<- dcast(df3, formula = ID + No ~ Variable, value.var = "Value", fill=NA, fun.aggregate = sum)。然后可以使用原始dcast函数来提取数据帧。所以在代码中：

FOR /F %i IN (`git log --pretty=format:"%%H" -n 1`) DO SET CURRENT_SHA=%i

这不是很好，因为重复项的创建使用更多内存。我认为它可以进一步优化，但到目前为止它适用于我的目的。在示例代码中，它从7行到16行，在原始文件中从241,670行到高达978,331。这超过了4倍。

解 Eddi在整个数据集中改进了我的计算时间解决方案（Eddi的2.08秒，而我的4.36秒）。这些是我可以使用的数字！谢谢大家！

Answer 1

您的解决方案很好，但是您添加了太多行，如果事先计算cumsum，那么这些行是不必要的：

# add useful columns
df[, TotalNo := .N, by = ID][, CumValue := cumsum(Value), by = .(ID, Variable)]

# do a rolling join to extend the missing values, and then dcast
dcast(df[df[, .(No = seq(No[1], TotalNo[1])), by = .(ID, Variable)],
         on = c('ID', 'Variable', 'No'), roll = TRUE],
      ID + No ~ Variable, value.var = 'CumValue')
#   ID No  a  b  c
#1:  1  1  2 NA NA
#2:  1  2  2  1 NA
#3:  1  3  5  1 NA
#4:  2  1 NA NA  3
#5:  2  2  2 NA  3
#6:  2  3  3 NA  3
#7:  2  4  3  5  3

Answer 2

这是一种标准方式：

library(zoo)

df[, cv := cumsum(Value), by = .(ID, Variable)]
DT   = dcast(df, ID + No ~ Variable, value.var="cv")

lvls = sort(unique(df$Variable))
DT[, (lvls) := lapply(.SD, na.locf, na.rm = FALSE), by=ID, .SDcols=lvls]


   ID No  a  b  c
1:  1  1  2 NA NA
2:  1  2  2  1 NA
3:  1  3  5  1 NA
4:  2  1 NA NA  3
5:  2  2  2 NA  3
6:  2  3  3 NA  3
7:  2  4  3  5  3

Answer 3

另一种方法是使用自定义构建的累积和函数。这正是@David Arenburg评论中的方法，但是在自定义累积汇总函数中替代。

编辑：使用@ eddi更有效的自定义累积和函数。

cumsum.na <- function(z){
 Reduce(function(x, y) if (is.na(x) && is.na(y)) NA else sum(x, y, na.rm = T), z, accumulate = T)
}

cols <- sort(unique(df$Variable))
res <- dcast(df, ID + No ~ Variable, value.var = "Value")[, (cols) := lapply(.SD, cumsum.na), .SDcols = cols, by = ID]
res

   ID No  a  b  c
1:  1  1  2 NA NA
2:  1  2  2  1 NA
3:  1  3  5  1 NA
4:  2  1 NA NA  3
5:  2  2  2 NA  3
6:  2  3  3 NA  3
7:  2  4  3  5  3

这绝对不是最有效的，但它可以完成工作并为您提供一个非常慢的非常缓慢的累积汇总函数，可以按照您想要的方式处理NAs。

使用累计和

3 个答案: