對數據框進行排序並計算列的即時值

Question

我有一個相對較大的數據框（150 萬行和 5 列）。 為簡單起見，我在下面創建了一個示例數據框：

date <- c("2018-07-06","2017-04-13","2017-09-12","2018-09-19"
          ,"2019-03-04","2017-05-21","2018-05-15")
data <- as.Date(date)
TV_ad<-c(0,1,0,0,1,0,1)
ID <- c(1315769,1300620,1300620,1315769,1300620,1315769,1300620)
result <- data.frame(ID,TV_ad,date)


       ID TV_ad       date
1 1315769     0 2018-07-06
2 1300620     1 2017-04-13
3 1300620     0 2017-09-12
4 1315769     0 2018-09-19
5 1300620     1 2019-03-04
6 1315769     0 2017-05-21
7 1300620     1 2018-05-15

我想做什么，對於每個特定的 ID，在特定的時間，我想計算該人在之前所有日期使用 TV_ad 的次數比率。 我能想象到的最簡單的方法是先選擇一個特定的 ID，然后根據日期對小數據框進行排序並計算每個日期的 TV_ad 比率。 例如，對於ID=1300620，首先我構建了一個按日期排序的小數據框，如下所示：

    ID    TV_ad       date
2 1300620     1 2017-04-13
3 1300620     0 2017-09-12
7 1300620     1 2018-05-15
5 1300620     1 2019-03-04

然后我可以計算每一行的比率。 對於第一行，第二行是 1/1=1，第三行是 1/2=0.5 2/3=0.66，第四行是 3/4=0.75

我得到這個結果：

       ID TV_ad       date ratio
1 1315769     0 2018-07-06  0.00
2 1300620     1 2017-04-13  1.00
3 1300620     0 2017-09-12  0.50
4 1315769     0 2018-09-19  0.00
5 1300620     1 2019-03-04  0.75
6 1315769     0 2017-05-21  0.00
7 1300620     1 2018-05-15  0.66

但是，這種方法在我的大型數據集上會很耗時。 有什么建議可以更快地進行此計算嗎？

Answer 1

您不需要拆分數據，您可以使用dplyr在 1 個 data.frame 上完成所有dplyr ：

library(dplyr)   

result %>%
  arrange(ID, date) %>%
  group_by(ID) %>%
  mutate(ratio = cumsum(TV_ad) / seq_len(n()))

給出：

       ID TV_ad date       ratio
    <dbl> <dbl> <fct>      <dbl>
1 1300620     1 2017-04-13 1    
2 1300620     0 2017-09-12 0.5  
3 1300620     1 2018-05-15 0.667
4 1300620     1 2019-03-04 0.75 
5 1315769     0 2017-05-21 0    
6 1315769     0 2018-07-06 0    
7 1315769     0 2018-09-19 0 

或者你可以使用data.table ：

library(data.table)

setDT(result)
result <- result[order(ID, date)]
result[, ratio := cumsum(TV_ad) / seq_len(.N), by = ID]

（您不需要按ID訂購它純粹是為了輸出文本可見性）

Answer 2

> result_ord <- result[order(result$ID, result$date), ]
> result_ord$cumAvg_by_ID <- ave(result_ord$TV_ad, list(result_ord$ID), FUN=function(x) cumsum(x) / 1:length(x) )

輸出：

> result_ord
       ID TV_ad       date cumAvg_by_ID
2 1300620     1 2017-04-13    1.0000000
3 1300620     0 2017-09-12    0.5000000
7 1300620     1 2018-05-15    0.6666667
5 1300620     1 2019-03-04    0.7500000
6 1315769     0 2017-05-21    0.0000000
1 1315769     0 2018-07-06    0.0000000
4 1315769     0 2018-09-19    0.0000000
> 

（正如上面@det 所指出的，只有按date排序是絕對必要的）。

參考： https : //stat.ethz.ch/pipermail/r-help/2010-October/255987.html