Давайте возьмем следующие данные:
dt <- data.table(TICKER=c(rep("ABC",10),"DEF"),
PERIOD=c(rep(as.Date("2010-12-31"),10),as.Date("2011-12-31")),
DATE=as.Date(c("2010-01-05","2010-01-07","2010-01-08","2010-01-09","2010-01-10","2010-01-11","2010-01-13","2010-04-01","2010-04-02","2010-08-03","2011-02-05")),
ID=c(1,2,1,3,1,2,1,1,2,2,1),VALUE=c(1.5,1.3,1.4,1.6,1.4,1.2,1.5,1.7,1.8,1.7,2.3))
setkey(dt,TICKER,PERIOD,ID,DATE)
Теперь для каждой комбинации тикер/период мне нужно следующее в новом столбце:
PRIORAVG
: среднее значение последнего ЗНАЧЕНИЯ каждого идентификатора, исключая текущий идентификатор. , при условии, что ему не более 180 дней.PREV
: предыдущее значение того же идентификатора.Результат должен выглядеть следующим образом:
TICKER PERIOD DATE ID VALUE PRIORAVG PREV
[1,] ABC 2010-12-31 2010-01-05 1 1.5 NA NA
[2,] ABC 2010-12-31 2010-01-08 1 1.4 1.30 1.5
[3,] ABC 2010-12-31 2010-01-10 1 1.4 1.45 1.4
[4,] ABC 2010-12-31 2010-01-13 1 1.5 1.40 1.4
[5,] ABC 2010-12-31 2010-04-01 1 1.7 1.40 1.5
[6,] ABC 2010-12-31 2010-01-07 2 1.3 1.50 NA
[7,] ABC 2010-12-31 2010-01-11 2 1.2 1.50 1.3
[8,] ABC 2010-12-31 2010-04-02 2 1.8 1.65 1.2
[9,] ABC 2010-12-31 2010-08-03 2 1.7 1.70 1.8
[10,] ABC 2010-12-31 2010-01-09 3 1.6 1.35 NA
[11,] DEF 2011-12-31 2011-02-05 1 2.3 NA NA
Обратите внимание на PRIORAVG
на строка 9 равна 1,7 (что равно ЗНАЧЕНИЕ
в строке 5, что является единственным предыдущим наблюдением за последние 180 дней другим ID
)
Я обнаружил data.table
p ackage, но я не могу полностью понять функцию :=
. Когда я делаю это просто, это, кажется, работает.Чтобы получить предыдущее значение для каждого идентификатора (я основывался на решении этого вопроса ):
dt[,PREV:=dt[J(TICKER,PERIOD,ID,DATE-1),roll=TRUE,mult="last"][,VALUE]]
Это прекрасно работает, и для выполнения этой операции над моим набором данных с ~ 250 тыс. строк требуется всего 0,13 секунды. ; моя функция векторного сканирования дает такие же результаты, но примерно в 30 000 раз медленнее.
Итак, у меня есть первое требование. Перейдем ко второму, более сложному требованию. Прямо сейчас метод поста для меня использует пару векторных сканирований и бросает функцию через plyr
функцию adply
для получения результата для каждой строки.
calc <- function(df,ticker,period,id,date) {
df <- df[df$TICKER == ticker & df$PERIOD == period
& df$ID != id & df$DATE < date & df$DATE > date-180, ]
df <- df[order(df$DATE),]
mean(df[!duplicated(df$ID, fromLast = TRUE),"VALUE"])
}
df <- data.frame(dt)
adply(df,1,function(x) calc(df,x$TICKER,x$PERIOD,x$ID,x$DATE))
Я написал функцию для data.frame
и, похоже, она не работает с data.table
. Для подмножества из 5000 строк это занимает около 44 секунд, но мои данные состоят из> 1 миллиона строк. Интересно, можно ли сделать это более эффективным за счет использования :=
.
dt[J("ABC"),last(VALUE),by=ID][,mean(V1)]
Это работает, чтобы выбрать среднее из последних ЗНАЧЕНИЙ для каждого ID для ABC.
dt[,PRIORAVG:=dt[J(TICKER,PERIOD),last(VALUE),by=ID][,mean(V1)]]
Это, однако, не работает должным образом, так как принимает среднее значение всех последних ЗНАЧЕНИЙ для всех тикеров/периодов, а не только для текущего тикера/периода. Таким образом, все строки получают одинаковое среднее значение. Я что-то не так делаю или это ограничение :=
?