根据使用列的累积和创建的分组过滤 R data.table

Question

我需要一个高效的 data.table 解决方案来过滤到每 300 个列的累积和的第一个和最后一个实例。我的真实数据集是数百万行，所以我不是在寻找循环解决方案。

#Example data:
  dt <- data.table(idcolref=c(1:1000),y=rep(10,1000))

下面是一个可以执行我想要的操作的示例循环，但它太慢了，无法用于大型 data.table。

###example of a loop that produces the result I want but is too slow
  library(foreach)
  dt[,grp:=1,]
  dt[,cumsum:=0,]
  grp <- 1
  foreach(a=2:nrow(dt))%do%{
    dt[a,"cumsum"]<-dt[a,"y"]+dt[a-1,"cumsum"]
    if(dt[a,"cumsum"]>300){
      dt[a,"grp"] <- grp
      grp <- grp+1
      dt[a,"cumsum"]<-0
    }else{
      dt[a,"grp"]<-dt[a-1,"grp"]
    }
  }
  dt.desired <- foreach(a=2:nrow(dt),.combine=rbind)%do%{
    if(dt[a,"grp"]!=dt[a-1,"grp"]){
      dt[c(a-1,a),]
    }
  }
  dt.desired <- rbind(dt[1,],dt.desired)
  dt.desired <- rbind(dt.desired,dt[nrow(dt),])

如何使用快速矢量化 data.table 函数获得相同的结果？谢谢！

Answer 1

我想我已经正确解释了您的要求：

您想计算向量（列）的累加和。
如果累计总和达到 300，您想将其重置为 0。
每次重置为 0 时，您都想说向量的这些值在一个新组中。
您想select每组的第一行和最后一行

如果是这种情况，你可以在Rcpp

中编写自己的快速'vectorised'函数

library(data.table)

dt <- data.table(x=rep(5,1e7),y=rep(10,1e7))
## adding a row index to keep track of which rows are returned
dt[, id := .I]

library(Rcpp)

cppFunction('Rcpp::NumericVector findGroupRows(Rcpp::NumericVector x) {

  int cumsum = 0;
  int grpCounter = 0;
  size_t n = x.length();
  Rcpp::NumericVector groupedCumSum(n);

  for ( size_t i = 0; i < n; i++) {
    cumsum += x[i];
    if (cumsum > 300) {
      cumsum = 0;
      grpCounter++;
    }
    groupedCumSum[i] = grpCounter;
  }
  return groupedCumSum;
}')

dt[, grp := findGroupRows(y)]

dt[ dt[, .I[c(1, .N)], by = grp]$V1]

Answer 2

仅使用 data.table 和基本 R 函数的简单解决方案：

dt[, grp2 := (cumsum(y) - 1) %/% 300]  

# straight forward solution:
dt[, .SD[c(1, .N)], by = "grp"]

# more efficient for large datasets, as suggested by SymbolixAU
dt[ dt[, .I[c(1, .N)], by = "grp"]$V1]

# check if your groups are of the correct size
table(dt[, .N[[1]], by = "grp"]$V1)

%/%是整数除法运算符
.SD 是

data.table

.N是当前的行数子集（等同于 nrow(.SD））
-1 确保第一组的大小正确

根据使用列的累积和创建的分组过滤 R data.table

Filter R data.table based on groupings created using cumulative sum of a column

r

filter

cumsum

data.table