【问题标题】:Rewrite a for-loop that takes forever重写一个永远耗时的for循环
【发布时间】:2017-10-28 10:12:06
【问题描述】:

我在 R 中编写了一段代码,用于计算某些数据的累积和。有用。问题是,我有 25,000 个数字 X 12 个月需要“融化”,所以我最终有 300,000 行(每个月大约会有 2000x12 多行)。前六行是重新创建我的表格样本(一个巨大的 excel 文件)。然后做了一些魔法将事物转换为正确的格式,最后我有这个双 for 循环,它根据它是否是双“PDRcount”来计算每个月的累积总和。当我在我的真实数据上尝试时,循环需要 6 小时......我怎样才能更快地做到这一点?

library(reshape2)

PDR <- (c( 1,2,3,4,5,2))
START <-  as.Date(c("2008-01-01","2007-01-01","2010-01-01","2011-01-01","2017-02-01","2017-03-01"))
SWITCHOUT <- as.Date(c(NA, "2017-02-28", NA, NA, "2017-03-31",NA))
JAN17 <- (c(100,124,165,178,0,0))
FEB17 <- (c(101,125,133,178,170,0))
MAR17 <- (c(99,0,165,180,166,99))
APR17 <- (c(100,0,156,178,0,78))

alldata <- data.frame(PDR=PDR,
                  START=START,
                  SWITCHOUT=SWITCHOUT,
                  JAN17=JAN17,
                  FEB17=FEB17,
                  MAR17=MAR17,
                  APR17=APR17)

## count PDR occurrences    
alldata$PDRcount <- ave(alldata$PDR,alldata$PDR,FUN=length)
alldata$PDRcount <- as.numeric(alldata$PDRcount)

crossdata<-melt(alldata,id=(c("PDR", "START","SWITCHOUT","PDRcount" )))
colnames(crossdata) <- c("PDR","START","SWITCHOUT","PDRcount","MONTH","SMC")

## transform levels to date format
levels(crossdata$MONTH)[1] <- "2017-01-01"
levels(crossdata$MONTH)[2] <- "2017-02-01"
levels(crossdata$MONTH)[3] <- "2017-03-01"
levels(crossdata$MONTH)[4] <- "2017-04-01"
crossdata$MONTH <- as.Date(crossdata$MONTH,format = "%Y-%m-%d" )


for (pdr in crossdata[,"PDR"]){

maxPDR <- max(crossdata$PDRcount[crossdata$PDR == pdr])
dates <- unique(crossdata$START[crossdata$PDR == pdr])

for (i in 1:maxPDR) {

CumSum <- cumsum( crossdata$SMC[crossdata$PDR == pdr & crossdata$START == dates[i]] )

    crossdata$SMCcum[crossdata$PDR == pdr & crossdata$START == dates[i] & crossdata$MONTH == "2017-01-01"] <- CumSum[1]
    crossdata$SMCcum[crossdata$PDR == pdr & crossdata$START == dates[i] & crossdata$MONTH == "2017-02-01"] <- CumSum[2]
    crossdata$SMCcum[crossdata$PDR == pdr & crossdata$START == dates[i]  & crossdata$MONTH == "2017-03-01"] <- CumSum[3]
    crossdata$SMCcum[crossdata$PDR == pdr & crossdata$START == dates[i] & crossdata$MONTH == "2017-04-01"] <- CumSum[4]     
}
}

已编辑:抱歉出现错误...

【问题讨论】:

  • 为什么第一个值是NA?
  • 因为客户端仍然处于活动状态,因此没有切换日期

标签: r for-loop time vectorization execution


【解决方案1】:

您不断地覆盖您的结果。 一个明显的改进是循环 unique(crossdata[,"PDR"]) 而不是为每一行调用循环。

我不确定您的内部循环是否为 maxPDR &gt; 1 提供了预期的结果,您不断地覆盖 STARTmaxPDR'th dates 条目匹配的值 - 请注意,您没有对 @987654326 进行排序@ 并因此不能保证 dates[maxPDR] 是最大的(最近的)条目。

我在 dplyr 中编写了一个替代解决方案,其中包含两个步骤来简化转换为所需格式的过程。

alldata <- data.frame(PDR=PDR, START=START, SWITCHOUT=SWITCHOUT, JAN17=JAN17,
                      FEB17=FEB17, MAR17=MAR17, APR17=APR17)

library(dplyr)
library(tidyr) # to reshape the data

crossdata_2 <- alldata %>% 
  gather(MONTH,SMC,ends_with("17")) %>%
  mutate(MONTH = as.character(strptime(paste0(MONTH,"-01"), format = "%b%y-%d"))) %>% 
  # the following line adds your PDRcount but is unnecessary for further computation
  group_by(PDR) %>% mutate(PDRcount = n_distinct(START)) %>% 
  group_by(PDR,START) %>% mutate(SMCcum = cumsum(SMC))

请注意,我为每个PDRSTART 计算cumsum()。如果您只想为每个 PDR 提供一个结果,则只需添加适当的过滤器即可。

我想指出,strptime 中的缩写月份转换 %b 是特定于语言环境的。要正常工作,您可能需要更改LC_TIME

【讨论】:

    【解决方案2】:

    这是部分答案。我不明白“......基于它是否是双“PDRcount”的部分。

    这里是 PDR !=2 使用 dplyr 库的情况的部分答案。我还通过在任何计算之前对交叉数据变量使用 dput 来简化数据输入。

    crossdata1<-structure(list(PDR = c(1, 2, 3, 4, 5, 2, 1, 2, 3, 4, 5, 2, 1, 
                                       2, 3, 4, 5, 2, 1, 2, 3, 4, 5, 2),
                               START = structure(c(13879, 13514, 14610, 14975, 17198, 17226, 13879, 13514, 14610, 14975, 
                                        17198, 17226, 13879, 13514, 14610, 14975, 17198, 17226, 13879, 
                                        13514, 14610, 14975, 17198, 17226), class = "Date"), 
                               SWITCHOUT = structure(c(NA, 17225, NA, NA, 17256, NA, NA, 17225, NA, NA, 17256, NA, NA, 17225, 
                                          NA, NA, 17256, NA, NA, 17225, NA, NA, 17256, NA), class = "Date"), 
                               PDRcount = c(1, 2, 1, 1, 1, 2, 1, 2, 1, 1, 1, 2, 1, 2, 1, 1, 1, 2, 1, 2, 1, 1, 1, 2), 
                               MONTH = structure(c(17167, 17167, 
                                         17167, 17167, 17167, 17167, 17198, 17198, 17198, 17198, 17198, 
                                         17198, 17226, 17226, 17226, 17226, 17226, 17226, 17257, 17257, 
                                         17257, 17257, 17257, 17257), class = "Date"), 
                               SMC = c(100, 124, 165, 178, 0, 0, 101, 125, 133, 178, 170, 0, 99, 0, 165, 
                                         180, 166, 99, 100, 0, 156, 178, 0, 78)), 
                          row.names = c(NA,  -24L), .Names = c("PDR", "START", "SWITCHOUT", "PDRcount", "MONTH", "SMC"),
                          class = "data.frame")   
    
    #test to see if starting data is the same
    identical(crossdata, crossdata1)
    library(dplyr)
    
    #group by and add the cumsum column to answer dataframe
    ans<-group_by(crossdata1, PDR) %>%
      mutate(SMCcum = cumsum(SMC))
    
    #rows where the 2 final dataframes do not match
    crossdata[-which(crossdata$SMCcum== ans$SMCcum),]
    

    如果应用额外的过滤器来删除“...double "PDRcount" or not”的情况,上述行很可能会起作用。适用。

    我发现这篇文章很有帮助:cumsum in grouped data with dplyr

    祝你好运。

    【讨论】:

    • 谢谢!这行得通,为了得到我需要的结果,我只需要按 START ans% 进行分组我将首先在 3000 行的样本上尝试它,然后我们将看看如何它处理 300k...
    猜你喜欢
    • 1970-01-01
    • 1970-01-01
    • 2014-11-23
    • 1970-01-01
    • 1970-01-01
    • 2020-05-24
    • 1970-01-01
    • 1970-01-01
    • 2017-11-06
    相关资源
    最近更新 更多