如何根据每周日期创建移动平均线,按data.table中的多列分组?
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了如何根据每周日期创建移动平均线,按data.table中的多列分组?相关的知识,希望对你有一定的参考价值。
我正在读取一个非常大的数据集作为速度的data.table
。相关列是DATE
(年 - 月 - 日字符串中的每周数据,例如“2017-12-25”),V1
(整数),V2
(字符串),V3
(数字)。我想生产V4
,这是V3
的移动平均值,过去3周(DATE
,DATE
-7和DATE
-14)这里是一个天真的尝试/解决方案,这是非常低效的:
dt <- fread("largefile.csv")
dt$DATE <- as.IDate(dt$DATE) //convert dates to date format
V1_list <- sort(unique(dt$V1))
V2_list <- sort(unique(dt$V2))
DATE_list <- sort(unique(dt$DATE))
for(i in 1:length(V1_list)){
for(j in 1:length(V2_list)){
for(k in 3:length(DATE_list){
dt[which(dt$V1 == V1_list[i] && dt$V2 == V2_list[j] && dt$DATE == DATE_list[k]),"V4"]
<- mean(dt[which(dt$V1 == V1_list[i] && dt$V2 == V2_list[j] && dt$DATE %in% DATE_list[k-2:k]),"V3"])
}
}
}
我正在避免使用plyr
,部分原因是由于我使用的50M行的计算限制。我用setkey()
和zoo
/滚动函数研究了选项,但我无法弄清楚如何在日期组件中进行分层(假设我按V1
,V2
和V3
平均分组)。不提供示例代码的道歉。
OP已经要求增加一个新的列,这是V3
和V1
在过去3周内的V2
的滚动平均值,用于50 M行的data.table
。
如果DATE
值没有间隙,即在所有组中没有错过数周,一种可能的方法是使用rollmeanr()
包中的zoo
函数:
DT[order(DATE), V4 := zoo::rollmeanr(V3, 3L, fill = NA), by = .(V1, V2)]
DT[order(V1, V2, DATE)]
DATE V1 V2 V3 V4 1: 2017-12-04 1 A 1 NA 2: 2017-12-11 1 A 2 NA 3: 2017-12-18 1 A 3 2 4: 2017-12-25 1 A 4 3 5: 2017-12-04 1 B 5 NA 6: 2017-12-11 1 B 6 NA 7: 2017-12-18 1 B 7 6 8: 2017-12-25 1 B 8 7 9: 2017-12-04 2 A 9 NA 10: 2017-12-11 2 A 10 NA 11: 2017-12-18 2 A 11 10 12: 2017-12-25 2 A 12 11 13: 2017-12-04 2 B 13 NA 14: 2017-12-11 2 B 14 NA 15: 2017-12-18 2 B 15 14 16: 2017-12-25 2 B 16 15
请注意,有意引入NA
s是因为我们没有每组中前两行的DATE
-7和DATE
-14值。
另请注意,此方法不需要字符日期的类型转换。
Data
根据OP的描述,data.table
有4列:DATE
是标准明确格式%Y-%m-%d
的每周字符日期,V1
是整数类型,V2
是类型字符,V3
是double(数字)类型。 V1
和V2
用于分组。
library(data.table)
# create data
n_week = 4L
n_V1 = 2L
# cross join
DT <- CJ(
DATE = as.character(rev(seq(as.Date("2017-12-25"), length.out = n_week, by = "-1 week"))),
V1 = seq_len(n_V1),
V2 = LETTERS[1:2]
)
DT[order(V1, V2, DATE), V3 := as.numeric(seq_len(.N))][]
DATE V1 V2 V3 1: 2017-12-04 1 A 1 2: 2017-12-04 1 B 5 3: 2017-12-04 2 A 9 4: 2017-12-04 2 B 13 5: 2017-12-11 1 A 2 6: 2017-12-11 1 B 6 7: 2017-12-11 2 A 10 8: 2017-12-11 2 B 14 9: 2017-12-18 1 A 3 10: 2017-12-18 1 B 7 11: 2017-12-18 2 A 11 12: 2017-12-18 2 B 15 13: 2017-12-25 1 A 4 14: 2017-12-25 1 B 8 15: 2017-12-25 2 A 12 16: 2017-12-25 2 B 16
所以我尝试使用dplyr包中的两个inner_joins来解决您的问题:
首先,我创建了一个示例data.frame(1.000.000行):
V3 <- seq(from=1, to=1000000, by =1 )
DATE <- seq(from=1, to= 7000000, by =7)
dt <- data.frame(V3, DATE)
它看起来是否正确?我删除了所有不必要的内容并忽略了日期格式(你可以用与整数相同的方式减去日期)
接下来,我在DATE列上做了两个内连接,但第二个data.frame包含DATE +7和DATE +14,所以你加入了正确的日期。最后,我选择3个有趣的列并计算rowMean。我在糟糕的MacBook上花了5秒钟。
inner_join(
inner_join(x= dt, y=mutate(dt, DATE=DATE+7), by= 'DATE'),
y = mutate(dt, DATE= DATE+14), by= 'DATE') %>%
select(V3 , V3.y, V3.x) %>%
rowMeans()
如果你想将它添加到你的dt中,请记住前2个日期没有平均值因为没有DATE-14和DATE-7存在。
dt$V4 <- c(NA, NA, inner_join(
inner_join(x= dt, y=mutate(dt, DATE=DATE+7), by= 'DATE'),
y = mutate(dt, DATE= DATE+14), by= 'DATE') %>%
select(V3 , V3.y, V3.x) %>%
rowMeans())
以上是关于如何根据每周日期创建移动平均线,按data.table中的多列分组?的主要内容,如果未能解决你的问题,请参考以下文章