基于 R 中的备用列，跨数据帧的均值滑动窗口

Posted 2023-03-24

【中文标题】基于 R 中的备用列，跨数据帧的均值滑动窗口

【英文标题】：Sliding window of mean across dataframe, based on alternate column in R

【发布时间】：2021-08-31 14:33:20

【问题描述】：

我希望使用滑动窗口方法计算变量的平均值，但要基于数据框中另一列的值。这很难解释……

以这个示例数据框为例：

dist <- c(seq(1,100,by=1),seq(101,200,by=2))
value<- runif(150, min=0, max=10)

df <- as.data.frame(cbind(dist,value))
head(df)

我知道我可以使用以下代码计算滑动窗口平均值：

zoo::rollapply(df$value, width=50, by=25, FUN=mean, na.rm=TRUE,align="left")

然而，这并不是我想要的。当df$dist 的范围从1-50 然后25-75 然后50-100 等等时，我想计算mean(df$value)。

上面没有这样做，因为在我的数据集中我不能假设df$dist 系统地计数（即不会错过随机数）。因此，简单地应用一个窗口向下移动一定数量的行会产生不正确的结果。

任何关于我将如何解决这个问题的建议都很棒。

提前谢谢你。

【参考方案1】：

这里有几种选择。 (1) 没有包依赖项，(2) 使用 rollapply，因此与问题中的代码最相似，(3) 使用 SQL，并且代码最短。

1) Base R 如果问题在于 dist 不包含 1 到最大值之间的每个数字，那么我们可以像这样遍历区间：

Fun <- function(st, width, df, fun) 
  fun(subset(df, dist >= st & dist <= st + width - 1)$value)


width <- 50
step <- 25

starts <- seq(1, max(df$dist), step)

data.frame(starts, 
   ends = starts + width - 1,
   mean = sapply(starts, Fun, width, df, mean),
   N = sapply(starts, Fun, width, df, length))

给予：

  starts ends     mean  N
1      1   50 5.200910 50
2     26   75 4.710030 50
3     51  100 4.770270 50
4     76  125 4.880030 38
5    101  150 5.318415 25
6    126  175 5.575938 25
7    151  200 4.989383 25
8    176  225 3.918574 12

2) rollapply 另一种方法是扩展输入数据框，在这种情况下我们可以使用 rollapply。

library(zoo)

roll <- function(x, width, fun, step) 
  fun2 <- function(x) fun(na.omit(x))
  rollapply(x, width, by = step, fun2, partial = TRUE, align = "left")


width <- 50
step <- 25

m <- merge(df, data.frame(dist = 1:max(df$dist)), all = TRUE)
data.frame(starts, 
  ends = starts + width - 1,
  mean = roll(m$value, width, mean, step),
  N = roll(m$value, width, length, step)
)

给予：

  starts ends     mean  N
1      1   50 5.200910 50
2     26   75 4.710030 50
3     51  100 4.770270 50
4     76  125 4.880030 38
5    101  150 5.318415 25
6    126  175 5.575938 25
7    151  200 4.989383 25
8    176  225 3.918574 12

3) sqldf 这可以使用带有指定左连接的 SQL 简洁地表述。

library(sqldf)

width <- 50
step <- 25

starts <- data.frame(starts = seq(1, max(df$dist), step))
fn$sqldf("select starts, starts+$width-1 ends, avg(value) mean, count(value) N
  from starts
  left join df on dist between starts and ends
  group by starts.rowid")

给予：

  starts ends     mean  N
1      1   50 5.200910 50
2     26   75 4.710030 50
3     51  100 4.770270 50
4     76  125 4.880030 38
5    101  150 5.318415 25
6    126  175 5.575938 25
7    151  200 4.989383 25
8    176  225 3.918574 12

注意

为了使输入可重现，我们必须在使用任何随机数之前设置种子，所以在上面我们使用了这个：

set.seed(123)
dist <- c(seq(1, 100, by = 1), seq(101, 200, by = 2))
value <- runif(150, min = 0, max = 10)
df <- data.frame(dist, value)

【讨论】：

非常感谢@G。格洛腾迪克这看起来正是我所追求的。有没有办法在mean 函数中也包含na.rm=T？看看这个脚本，这也适用于每个距离的多个观测？再次感谢您

也很抱歉忘记set.seed()

我最初使用了 na.rm = TRUE 但后来似乎因为我们同时考虑了平均值和长度，因此将其分解出来更有意义。您可以提供一个 function(x) mean(x, na.rm = TRUE) 和 function(x) length(na.omit(x)) 来滚动然后直接使用它而不是定义 fun2 但这会扩展代码。

好的，非常感谢您非常全面和有用的回答。赞成并接受 - 祝您有美好的一天！