带重置的条件 cumsum

Question

我有一个数据框，该数据框已经根据需要进行了排序，但现在我想将其“切片”成组。

该组的最大累积值应为10。当累积值> 10时，应重置累积和并重新开始

library(dplyr)
id <- sample(1:15)
order <- 1:15
value  <- c(4, 5, 7, 3, 8, 1, 2, 5, 3, 6, 2, 6, 3, 1, 4)
df  <- data.frame(id, order, value)
df

这是我正在寻找的输出（我是“手动”完成的）

cumsum_10  <- c(4, 9, 7, 10, 8, 9, 2, 7, 10, 6, 8, 6, 9, 10, 4)
group_10 <- c(1, 1, 2, 2, 3, 3, 4, 4, 4, 5, 5, 6, 6, 6, 7)
df1  <- data.frame(df, cumsum_10, group_10)
df1

所以我有两个问题

1. 如何创建一个累积变量，每次超过上限（本例中为 10）时都会重置
2. 如何对每个组进行计数/分组

对于第一部分，我尝试了一些 group_by 和 cumsum 的组合，但没有运气

df1 <- df %>% group_by(cumsum(c(False, value < 10)))

我更喜欢管道 (%>%) 解决方案而不是 for 循环

谢谢

Answer 1

我认为这不容易矢量化....至少我不知道如何。

您可以通过by hand 进行操作：

my_cumsum <- function(x){
  grp = integer(length(x))
  grp[1] = 1
  for(i in 2:length(x)){
    if(x[i-1] + x[i] <= 10){
      grp[i] = grp[i-1]
      x[i] = x[i-1] + x[i]
    } else {
      grp[i] = grp[i-1] + 1
    }
  }
  data.frame(grp, x)
}

对于您的数据，这给出了：

> my_cumsum(df$value)
   grp  x
1    1  4
2    1  9
3    2  7
4    2 10
5    3  8
6    3  9
7    4  2
8    4  7
9    4 10
10   5  6
11   5  8
12   6  6
13   6  9
14   6 10
15   7  4

对于我的“反例”，这也给出了：

> my_cumsum(c(10,6,4))
  grp  x
1   1 10
2   2  6
3   2 10

正如@Khashaa 指出的，这可以通过Rcpp 更有效地实现。他链接到这个答案How to speed up or vectorize a for loop?，我觉得这非常有用

Answer 2

您可以定义自己的函数，然后在 dplyr 的 mutate 语句中使用它，如下所示：

df %>% group_by() %>%
  mutate(
    cumsum_10 = cumsum_with_reset(value, 10),
    group_10 = cumsum_with_reset_group(value, 10)
  ) %>% 
  ungroup()

cumsum_with_reset() 函数采用一列和一个重置总和的阈值。 cumsum_with_reset_group() 类似，但标识已分组在一起的行。定义如下：

# group rows based on cumsum with reset
cumsum_with_reset_group <- function(x, threshold) {
  cumsum <- 0
  group <- 1
  result <- numeric()

  for (i in 1:length(x)) {
    cumsum <- cumsum + x[i]

    if (cumsum > threshold) {
      group <- group + 1
      cumsum <- x[i]
    }

    result = c(result, group)

  }

  return (result)
}

# cumsum with reset
cumsum_with_reset <- function(x, threshold) {
  cumsum <- 0
  group <- 1
  result <- numeric()

  for (i in 1:length(x)) {
    cumsum <- cumsum + x[i]

    if (cumsum > threshold) {
      group <- group + 1
      cumsum <- x[i]
    }

    result = c(result, cumsum)

  }

  return (result)
}

# use functions above as window functions inside mutate statement
df %>% group_by() %>%
  mutate(
    cumsum_10 = cumsum_with_reset(value, 10),
    group_10 = cumsum_with_reset_group(value, 10)
  ) %>% 
  ungroup()

Answer 3

下面的函数使用递归来构造一个包含每个组长度的向量。它比小数据向量（长度小于大约一百个值）的循环快，但对于较长的数据向量慢。它需要三个参数：

1) vec：我们要分组的值向量。

2)i：vec中起始位置的索引。

3) glv：组长度向量。这是返回值，但我们需要初始化它并通过每个递归传递它。

# Group a vector based on consecutive values with a cumulative sum <= 10
gf = function(vec, i, glv) {

  ## Break out of the recursion when we get to the last group
  if (sum(vec[i:length(vec)]) <= 10) {
    glv = c(glv, length(i:length(vec)))
    return(glv)
  }

  ## Keep recursion going if there are at least two groups left
  # Calculate length of current group
  gl = sum(cumsum(vec[i:length(vec)]) <= 10)

  # Append to previous group lengths
  glv.append = c(glv, gl)

  # Call function recursively 
  gf(vec, i + gl, glv.append)
}

运行函数以返回组长度的向量：

group_vec = gf(df$value, 1, numeric(0))
[1] 2 2 2 3 2 3 1

要向df 添加具有组长度的列，请使用rep：

df$group10 = rep(1:length(group_vec), group_vec)

在其当前形式中，该函数仅适用于没有任何大于 10 的值的向量，并且按总和

通过只向前看一定数量的值而不是向量的剩余长度的累积求和，可以在一定程度上加快该函数的速度。例如，如果值始终为正，您只需提前查看 10 个值，因为您永远不需要将超过 10 个数字相加即可达到 10。这也可以推广到任何目标值。即使进行了这种修改，对于具有大约一百多个值的向量，该函数仍然比循环慢。

我之前没有在 R 中使用过递归函数，我对任何有关递归是否对此类问题有意义以及是否可以改进（尤其是执行速度）的 cmet 和建议感兴趣。

Answer 4

我们可以利用包MESS中的函数cumsumbinning来执行这个任务：

library(MESS)
df %>%
  group_by(group_10 = cumsumbinning(value, 10)) %>%
  mutate(cumsum_10 = cumsum(value)) 

输出

# A tibble: 15 x 5
# Groups:   group_10 [7]
      id order value group_10 cumsum_10
   <int> <int> <dbl>    <int>     <dbl>
 1     6     1     4        1         4
 2    10     2     5        1         9
 3     1     3     7        2         7
 4     5     4     3        2        10
 5     3     5     8        3         8
 6     9     6     1        3         9
 7    14     7     2        4         2
 8    11     8     5        4         7
 9    15     9     3        4        10
10     8    10     6        5         6
11    12    11     2        5         8
12     2    12     6        6         6
13     4    13     3        6         9
14     7    14     1        6        10
15    13    15     4        7         4

Answer 5

这可以通过purrr::accumulate轻松完成

library(dplyr)
library(purrr)

df %>% mutate(cumsum_10 = accumulate(value, ~ifelse(.x + .y <= 10, .x + .y, .y)),
              group_10 = cumsum(value == cumsum_10))

   id order value cumsum_10 group_10
1   8     1     4         4        1
2  13     2     5         9        1
3   7     3     7         7        2
4   1     4     3        10        2
5   4     5     8         8        3
6  10     6     1         9        3
7  12     7     2         2        4
8   2     8     5         7        4
9  15     9     3        10        4
10 11    10     6         6        5
11 14    11     2         8        5
12  3    12     6         6        6
13  5    13     3         9        6
14  9    14     1        10        6
15  6    15     4         4        7