![](/img/trans.png)
[英]R data.table way to create summary statistics table with self-defined function
[英]R - apply diff() function or equivalent self-defined function on multiple columns in a data.table
目前有一个data.table
大致如下所示:
ID Date Var1 Var2 Var3 Var4
1 2020-03-01 AB A33 250 12
1 2020-04-01 B B25 NA 14
1 2020-05-01 AB A44 270 20
1 2020-06-01 AC C33 9 13
2 2019-09-01 X C55 280 11
2 2019-10-01 K C89 120 12
2 2019-11-01 A C89 320 NA
2 2019-12-01 AB A88 200 25
该数据表存储了密钥ID
和一些对应的变量。 有些是char
类型,有些是numeric
类型。 该表使用setkey(dt, ID, Date)
进行排序我想计算每个 ID 中每个数字变量的滞后差。
在我的数据中,我在看起来像这样的向量中提取了数字列。
cols <- c("Var3", "Var4")
cols_indx <- c(5:6)
然后,我想将具有数值变量Var5
和Var6
的滞后差异的新列添加到我的 data.table dt
中。
我尝试:
# Doesn't work
as.data.frame(lapply(dt[ , cols, with = FALSE], diff, lag = 1))
as.data.frame(lapply(dt[ , cols_indx, with = FALSE], diff, lag = 1))
as.data.frame(lapply(dt[ , .SD, .SDcols = cols], diff, lag = 1))
as.data.frame(lapply(dt[ , .SD, .SDcols = cols_indx], diff, lag = 1))
在我的数据中没有一个有效并导致r[i1] - r[-length(r):-(length(r) - lag + 1L)]: non-numeric argument for binary operator 。 我似乎无法弄清楚是什么原因造成的,尤其是因为我在这段代码中的任何地方都没有看到二进制运算符。
但是,一旦我明确 state 或者 colnames 或 col 索引,一切正常。 这是为什么? 在我的情况下,我需要将长 data.table 与 > 250 列一起移动,然后计算滞后差异或所有这些列以及多个滞后间隔的所有列。 手动定义所有选定的列是不可管理的。 我在这里想念什么?
# Works
as.data.frame(lapply(dt[ , 5:6], diff, lag = 1))
as.data.frame(lapply(financials.dt[ , c("Var4", "Var5")], diff, lag = 1))
此外,还缺少一个步骤。 我想计算每个组内的滞后差异(由ID
定义)。 当我尝试diff
和自定义 function 时,都会抛出类似的错误。
i <- 1
lag_names_diff <- paste(cols, "Lag", i, "d", sep = "_")
dt[ , (lag_names_diff) := lapply(.SD, function(x) x - shift(x, (i), type = "lag")),
.SDcols = cols, by = ID]
# Error 1:
# r[i1] - r[-length(r):-(length(r) - lag + 1L)] : non-numeric argument for binary operator
# or
dt[ , (lag_names_diff) := lapply(.SD, diff, x = cols, lag = i, differences = 1),
.SDcols = cols, by = ID]
# Error 2:
# x - shift(x, (i), type = "lag") : non-numeric argument for binary operator
...一切都因错误消息而崩溃。 我似乎无法弄清楚是什么原因造成的。 非常感谢任何指针。
该错误似乎是因为diff(any_vector)
返回一个向量,但长度比any_vector
短。 看到这个
diff(1:5)
[1] 1 1 1 1
因此,如果要将diff
应用于表中的任何变量,则必须在结果中添加一个元素,无论是在结束时还是在开始时。 尽管我不确定您的预期结果,但我仍然假设这一点。 (我将NA
添加到结果向量的开头。如果需要,您也可以添加0
。
library(dplyr)
df %>% mutate(across(cols, ~c(NA, diff(.)), .names = "{.col}_diff"))
ID Date Var1 Var2 Var3 Var4 Var3_diff Var4_diff
1 1 2020-03-01 AB A33 250 12 NA NA
2 1 2020-04-01 B B25 NA 14 NA 2
3 1 2020-05-01 AB A44 270 20 NA 6
4 1 2020-06-01 AC C33 9 13 -261 -7
5 2 2019-09-01 X C55 280 11 271 -2
6 2 2019-10-01 K C89 120 12 -160 1
7 2 2019-11-01 A C89 320 NA 200 NA
8 2 2019-12-01 AB A88 200 25 -120 NA
或者如果需要按ID
分组
df %>% group_by(ID) %>%
mutate(across(cols, ~c(NA, diff(.)), .names = "{.col}_diff"))
# A tibble: 8 x 8
# Groups: ID [2]
ID Date Var1 Var2 Var3 Var4 Var3_diff Var4_diff
<int> <chr> <chr> <chr> <int> <int> <int> <int>
1 1 2020-03-01 AB A33 250 12 NA NA
2 1 2020-04-01 B B25 NA 14 NA 2
3 1 2020-05-01 AB A44 270 20 NA 6
4 1 2020-06-01 AC C33 9 13 -261 -7
5 2 2019-09-01 X C55 280 11 NA NA
6 2 2019-10-01 K C89 120 12 -160 1
7 2 2019-11-01 A C89 320 NA 200 NA
8 2 2019-12-01 AB A88 200 25 -120 NA
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.