运行长度的累积总和。这个循环可以向量化吗？

Question

我有一个数据框，我在该数据框上计算特定列的运行长度编码。 dir 列的值为 -1、0 或 1。

dir.rle <- rle(df$dir)

然后，我获取运行长度并计算数据框中另一列的分段累积总和。我正在使用 for 循环，但我觉得应该有一种更智能的方法。

ndx <- 1
for(i in 1:length(dir.rle$lengths)) {
    l <- dir.rle$lengths[i] - 1
    s <- ndx
    e <- ndx+l
    tmp[s:e,]$cumval <- cumsum(df[s:e,]$val)
    ndx <- e + 1
}

dir 的运行长度定义了每次运行的开始 s 和结束 e。上面的代码有效，但感觉不像是惯用的 R 代码。我觉得好像应该有另一种没有循环的方法。

Answer 1

这可以分解为两步问题。首先，如果我们基于rle 创建一个索引列，那么我们可以使用它来分组并运行cumsum。然后可以通过任意数量的聚合技术来执行分组。我将展示两个选项，一个使用data.table，另一个使用plyr。

library(data.table)
library(plyr)
#data.table is the same thing as a data.frame for most purposes
#Fake data
dat <- data.table(dir = sample(-1:1, 20, TRUE), value = rnorm(20))
dir.rle <- rle(dat$dir)
#Compute an indexing column to group by
dat <- transform(dat, indexer = rep(1:length(dir.rle$lengths), dir.rle$lengths))


#What does the indexer column look like?
> head(dat)
     dir      value indexer
[1,]   1  0.5045807       1
[2,]   0  0.2660617       2
[3,]   1  1.0369641       3
[4,]   1 -0.4514342       3
[5,]  -1 -0.3968631       4
[6,]  -1 -2.1517093       4


#data.table approach
dat[, cumsum(value), by = indexer]

#plyr approach
ddply(dat, "indexer", summarize, V1 = cumsum(value))

Answer 2

Spacedman 和 Chase 都强调了分组变量可以简化一切的关键点（Chase 提出了两种从那里着手的好方法）。

我将提出另一种方法来形成该分组变量。它不使用rle，至少对我来说，感觉更直观。基本上，在diff() 检测到值变化的每个点，将形成您的分组变量的cumsum 都会增加一：

df$group <- c(0, cumsum(!(diff(df$dir)==0)))

# Or, equivalently
df$group <- c(0, cumsum(as.logical(diff(df$dir))))

Answer 3

在数据框中添加一个“组”列。比如：

df=data.frame(z=rnorm(100)) # dummy data
df$dir = sign(df$z) # dummy +/- 1
rl = rle(df$dir)
df$group = rep(1:length(rl$lengths),times=rl$lengths)

然后使用 tapply 在组内求和：

tapply(df$z,df$group,sum)