如何返回满足特定条件的向量中的最后一个值
我有一个向量（在数据框中），数字越来越多。我想找到所有连续的数字，并用系列中的第一个数字替换它们。这可能没有循环吗？
我的输入数据是：
V1
1
4
5
7
10
15
16
17
20
我想输出的是：
V1 Out
1 1
4 4
5 4
7 7
10 10
15 15
16 15
17 15
20 20
到目前为止，我设法使用diff（）计算两行之间的差异，并通过向量循环来替换正确的值。
V1 <- c(1, 4, 5, 7, 10, 15, 16, 17, 20)
df <- data.frame(V1)
df$diff <- c(0, diff(df$V1) == 1)
df$Out <- NA
for (j in 1:(nrow(df))){
if (df$diff[j] == 0){
df$Out[j] <- df$V1[j]
} else {
df$Out[j] <- df$V1[max(which(df$diff[1:j] == 0))]
}
}
它完成了这项工作，但效率非常低。有没有办法摆脱循环并使这段代码快速？
非常感谢！
4 个答案:
答案 0 :(得分：8)
你可以使用基数R，
$ awk '{print} /^[[:space:]]*ServerName/{sub(/[^[:space:]].*/,"ServerAlias testing.com"); print}' file
<VirtualHost *:80>
# A comment with ServerName in it <-- must be ignored
ServerName test.com
ServerAlias testing.com
</VirtualHost>
<VirtualHost *:443>
ServerName test.com
ServerAlias testing.com
</VirtualHost>
<强> dplyr
with(d1, ave(V1, cumsum(c(1, diff(V1) != 1)), FUN = function(i) i[1]))
#[1] 1 4 4 7 10 15 15 15 20
<强> data.table
library(dplyr)
d1 %>%
group_by(grp = cumsum(c(1, diff(V1) != 1))) %>%
mutate(out = first(V1))
答案 1 :(得分：5)
另一个选项，包括3个步骤，使用zoo包：
将V2定义为V1：
df$V2 <- df$V1
将diff的连续值（1为NA）替换为：
df$V2[c(FALSE, diff(df$V1)==1)] <- NA
最后，使用zoo::na.locf将NA替换为最后一个值：
library(zoo)
df$V2 <- na.locf(df$V2)
输出：
df
# V1 V2
# 1 1 1
# 2 4 4
# 3 5 4
# 4 7 7
# 5 10 10
# 6 15 15
# 7 16 15
# 8 17 15
# 9 20 20
使用magrittr在一行中进行另一次撰写：
library(magrittr)
df$V2 <- df$V1 %>% replace(c(FALSE, diff(df$V1)==1), NA) %>% na.locf
答案 2 :(得分：5)
使用shift()或lag()代替diff()
到目前为止，所有解决方案都使用diff(V1)来确定连续数字。另一方面，data.table和dplyr包括shift()和lag()，也可以使用这些功能（也可以由@Frank建议）。< / p>
所以，而不是Sotos' data.table approach
library(data.table)
setDT(d1)[, out := first(V1), by = cumsum(c(1, diff(V1) != 1))]
我们可以写
setDT(d1)[, out := V1[1], by = cumsum(V1 - shift(V1, fill = V1[1]) != 1)]
dplyr解决方案变为
library(dplyr)
d1 %>%
group_by(grp = cumsum(V1 - lag(V1, default = V1[1]) != 1)) %>%
mutate(out = first(V1))
同样，基础R解决方案变为
library(data.table)
with(d1, ave(V1, cumsum(V1 - shift(V1, fill = V1[1]) != 1), FUN = function(i) i[1]))
和Cath's zoo::na.locf() approach
library(zoo)
library(magrittr)
library(data.table)
df$V2 <- df$V1 %>% replace(DF$V1 == shift(DF$V1, fill = DF$V1[1]) + 1, NA) %>% na.locf()
基准
有了这么多种方法，我想知道哪种方法最快。此外，我注意到所有解决方案都使用常量1，其类型为 double ，而不是整数常量1L，尽管问题是关于连续数字，暗示类型整数。同样，使用NA代替NA_integer_。
类型转换可能会增加性能损失，这是某些软件包（例如data.table）发出警告或错误的原因。所以，我发现调查类型转换对基准测试结果的影响很有意思。
基准数据
通过从2个M数中采样，创建具有1M行的data.frame。为了保持一致，结果始终存储在data.frame的Out列中。对于data.table版本，使用DF的副本。
library(data.table)
n <- 1e6L
f <- 2L
set.seed(1234L)
DF <- data.frame(V1 = sort(sample.int(f*n, n)),
Out = 1:n)
DT <- data.table(DF)
DT
基准代码
正在测试12种不同的方法，每种方法都有 double 和整数常量，总共产生24种变体。
library(magrittr)
library(microbenchmark)
bm <- microbenchmark(
ave_diff = DF$Out <- with(DF, ave(V1, cumsum(c(1, diff(V1) != 1)), FUN = function(i) i[1])),
ave_shift = DF$Out <- with(DF, ave(V1, cumsum(V1 - shift(V1, fill = V1[1]) != 1), FUN = function(i) i[1])),
zoo_diff = {DF$Out <- DF$V1; DF$Out[c(FALSE, diff(DF$V1) == 1)] <- NA; DF$Out <- zoo::na.locf(DF$Out)},
zoo_pipe = DF$Out <- DF$V1 %>% replace(c(FALSE, diff(DF$V1) == 1), NA) %>% zoo::na.locf(),
zoo_shift = DF$Out <- DF$V1 %>% replace(DF$V1 == shift(DF$V1, fill = DF$V1[1]) + 1, NA) %>% zoo::na.locf(),
dp_diff = r2 <- DF %>%
dplyr::group_by(grp = cumsum(c(1, diff(V1) != 1))) %>%
dplyr::mutate(Out = first(V1)),
dp_lag = r3 <- DF %>%
dplyr::group_by(grp = cumsum(V1 - dplyr::lag(V1, default = V1[1]) != 1)) %>%
dplyr::mutate(Out = first(V1)),
dt_diff = DT[, Out := V1[1], by = cumsum(c(1, diff(V1) != 1))],
dt_shift1 = DT[, Out := V1[1], by = cumsum(V1 - shift(V1, fill = V1[1]) != 1)],
dt_shift2 = DT[, Out := V1[1], by = cumsum(V1 != shift(V1, fill = V1[1]) + 1)],
dt_zoo_diff = DT[, Out := V1][c(FALSE, diff(DF$V1) == 1), Out := NA][, Out := zoo::na.locf(Out)],
dt_zoo_shift = DT[, Out := V1][V1 == shift(V1, fill = V1[1]) + 1, Out := NA][, Out := zoo::na.locf(Out)],
ave_diff_L = DF$Out <- with(DF, ave(V1, cumsum(c(1L, diff(V1) != 1L)), FUN = function(i) i[1L])),
ave_shift_L = DF$Out <- with(DF, ave(V1, cumsum(V1 - shift(V1, fill = V1[1L]) != 1L), FUN = function(i) i[1L])),
zoo_diff_L = {DF$Out <- DF$V1; DF$Out[c(FALSE, diff(DF$V1) == 1L)] <- NA_integer_; DF$Out <- zoo::na.locf(DF$Out)},
zoo_pipe_L = DF$Out <- DF$V1 %>% replace(c(FALSE, diff(DF$V1) == 1L), NA_integer_) %>% zoo::na.locf(),
zoo_shift_L = DF$Out <- DF$V1 %>% replace(DF$V1 == shift(DF$V1, fill = DF$V1[1L]) + 1L, NA_integer_) %>% zoo::na.locf(),
dp_diff_L = r2 <- DF %>%
dplyr::group_by(grp = cumsum(c(1L, diff(V1) != 1L))) %>%
dplyr::mutate(Out = first(V1)),
dp_lag_L = r3 <- DF %>%
dplyr::group_by(grp = cumsum(V1 - dplyr::lag(V1, default = V1[1L]) != 1L)) %>%
dplyr::mutate(Out = first(V1)),
dt_diff_L = DT[, Out := V1[1L], by = cumsum(c(1L, diff(V1) != 1L))],
dt_shift1_L = DT[, Out := V1[1L], by = cumsum(V1 - shift(V1, fill = V1[1L]) != 1L)],
dt_shift2_L = DT[, Out := V1[1L], by = cumsum(V1 != shift(V1, fill = V1[1L]) + 1L)],
dt_zoo_diff_L = DT[, Out := V1][c(FALSE, diff(DF$V1) == 1L), Out := NA_integer_][, Out := zoo::na.locf(Out)],
dt_zoo_shift_L = DT[, Out := V1][V1 == shift(V1, fill = V1[1L]) + 1L, Out := NA_integer_][, Out := zoo::na.locf(Out)],
times = 20L
)
基准测试结果
library(ggplot2)
autoplot(bm)
请注意时间轴的对数刻度。
Unit: milliseconds expr min lq mean median uq max neval cld ave_diff 2594.89941 2643.32224 2752.9753 2723.7035 2868.6586 3006.0420 20 e ave_shift 947.13267 1001.70742 1107.7351 1047.6835 1218.5809 1395.5059 20 c zoo_diff 100.13967 130.23284 197.7273 142.8525 262.1980 428.2976 20 a zoo_pipe 104.98025 112.04101 181.3073 119.5275 185.3215 434.2936 20 a zoo_shift 88.86549 98.49058 177.2143 110.5392 260.1160 416.9985 20 a dp_diff 1148.18227 1219.68396 1303.6350 1290.5575 1344.1400 1628.1786 20 d dp_lag 712.58827 746.77952 804.8908 776.3303 809.8323 1157.2102 20 b dt_diff 226.67524 233.81038 292.0675 241.9369 275.8491 517.1760 20 a dt_shift1 199.64651 207.39276 255.1607 215.7960 223.7947 882.9923 20 a dt_shift2 203.87617 210.06736 260.8550 218.9917 244.7247 499.8797 20 a dt_zoo_diff 109.45194 121.41501 216.3579 159.0960 278.5257 483.1110 20 a dt_zoo_shift 94.59905 109.32432 204.0329 127.0619 373.8622 430.0885 20 a ave_diff_L 992.12820 1041.12873 1127.8128 1071.8525 1217.1493 1457.3166 20 c ave_shift_L 905.41152 973.81932 1063.2237 1015.6805 1170.2522 1323.9317 20 c zoo_diff_L 103.30228 114.63442 227.4359 140.5280 300.3003 822.3366 20 a zoo_pipe_L 103.89433 112.16467 231.3165 133.3362 398.7240 545.7856 20 a zoo_shift_L 91.88764 104.21339 157.6434 138.7488 165.0197 401.3890 20 a dp_diff_L 749.65952 766.00479 851.0737 806.1116 886.6429 1155.3144 20 b dp_lag_L 731.08180 757.95232 823.0169 794.4421 827.7100 1079.2576 20 b dt_diff_L 214.97477 226.80928 241.3575 232.7037 244.8673 323.6259 20 a dt_shift1_L 199.80509 211.20539 277.5616 218.3371 259.9801 513.2925 20 a dt_shift2_L 200.37902 204.23732 224.7275 210.7217 216.6133 470.6335 20 a dt_zoo_diff_L 111.64757 122.62327 162.4947 140.4175 174.0932 409.0788 20 a dt_zoo_shift_L 95.91114 109.24219 164.7059 126.5924 170.2320 388.6558 20 a
观察
对于给定的问题大小和结构：
-
zoo::na.locf()方法比使用分组的各种实现更快，但na.locf()与shift()的组合略有优势。 - 其次是关闭
data.table并进行分组。 - 第三，但慢三倍是
dplyr。 - 最后是
ave()，比最快的慢20多倍，每次运行最多需要3秒。 -
shift()/lag()版本总是比diff()快。 - 类型转换确实重要。使用
diff()的版本受到特别的影响，例如， ave_diff ，整数常量比双内容版本快2.5倍。
答案 3 :(得分：4)
dplyr和tidyr：
library(tidyr)
library(dplyr)
> df %>% mutate(
+ diff=c(0,diff(V1))==1,
+ V2=ifelse(diff,NA,V1)
+ ) %>%
+ fill(V2) %>%
+ select(-diff)
V1 V2
1 1 1
2 4 4
3 5 4
4 7 7
5 10 10
6 15 15
7 16 15
8 17 15
9 20 20
相关问题
最新问题
- 我写了这段代码，但我无法理解我的错误
- 我无法从一个代码实例的列表中删除 None 值，但我可以在另一个实例中。为什么它适用于一个细分市场而不适用于另一个细分市场？
- 是否有可能使 loadstring 不可能等于打印？卢阿
- java中的random.expovariate()
- Appscript 通过会议在 Google 日历中发送电子邮件和创建活动
- 为什么我的 Onclick 箭头功能在 React 中不起作用？
- 在此代码中是否有使用“this”的替代方法？
- 在 SQL Server 和 PostgreSQL 上查询，我如何从第一个表获得第二个表的可视化
- 每千个数字得到
- 更新了城市边界 KML 文件的来源？