此R循环的更有效版本

Question

我习惯了Python和JS，对R还是很陌生，但是喜欢它进行数据分析。 我试图基于一些if / else逻辑在数据框中创建一个新字段，并尝试以一种标准/过程方式进行操作：

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"
  }
}

但这是疯狂的缓慢。 我尝试在大约300万行的数据帧上运行它，但是过程太长了。 关于“ R”方式的任何提示吗？

需要注意的是df$Payment_Date和df$First_Payment_date字段被格式化为日期。

Answer 1

如果您初始化为“错误”，然后使用逻辑索引为列举的条件覆盖，则速度会更快。 每行的if（）{} else {}语句正在杀死您。

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

我正在为相对较大的数据集设置data.frame和data.table基准。

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。 我正在@BondedDust的答案与其data.table等效性之间进行测试。 我对他的代码进行了一些修改（调试）。

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是4倍的速度比data.frame为产生一个百万行数据。

> 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

data.frame快于data.table为小型数据集（比如说，10000行。）

Answer 3

我不确定这会加快很多速度，但是您应该看到比以前的for循环有所改进。 在这些情况下， else并不是必须的。

此外，R具有充当功能for环路，和其他类型的循环。 请参阅?apply 。

试一试，看看它是如何工作的。 由于我们没有您的数据，因此无法测试。

> 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

处理这种事情的通常方法是通过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"))))