我有一个数据框，数据框已按需要排序，但现在我想在组中“切片”。
此组的最大累计值应为10.当累计值> 10时，它应重置累计总和并重新开始
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
所以我遇到了两个问题
- 如何创建一个累积变量，每当它超过上限时重置（在这种情况下为10）
- 如何计算/分组每个组
对于第一部分，我尝试了group_by和cumsum的一些组合而没有运气
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
我认为这不容易矢量化......至少我不知道如何。
你能行的 by hand 通过：
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：
> my_cumsum(df$value)
grp x
1 1 4
2 1 9
3 2 7
4 2 10
5 3 8
6 3 9
7 4 2
8 4 7
9 4 10
10 5 6
11 5 8
12 6 6
13 6 9
14 6 10
15 7 4
同样对于我的“反例”，这给出了：
> my_cumsum(c(10,6,4))
grp x
1 1 10
2 2 6
3 2 10
正如@Khashaa所指出的，这可以通过更有效的方式实现 Rcpp。他联想到这个答案 如何加速或矢量化for循环？ 我觉得非常有用
下面的函数使用递归来构造一个具有每个组长度的向量。对于小数据向量（长度小于约100个值），它比循环快，但对于较长的数据向量，则慢。它需要三个参数：
1） vec：我们要分组的值向量。
2） i：起始位置的索引 vec。
3） glv：组长度的向量。这是返回值，但我们需要初始化它并在每次递归时传递它。
# Group a vector based on consecutive values with a cumulative sum <= 10
gf = function(vec, i, glv) {
## Break out of the recursion when we get to the last group
if (sum(vec[i:length(vec)]) <= 10) {
glv = c(glv, length(i:length(vec)))
return(glv)
}
## Keep recursion going if there are at least two groups left
# Calculate length of current group
gl = sum(cumsum(vec[i:length(vec)]) <= 10)
# Append to previous group lengths
glv.append = c(glv, gl)
# Call function recursively
gf(vec, i + gl, glv.append)
}
运行该函数以返回组长度的向量：
group_vec = gf(df$value, 1, numeric(0))
[1] 2 2 2 3 2 3 1
要添加列 df 与组长度，使用 rep：
df$group10 = rep(1:length(group_vec), group_vec)
在其当前形式中，该函数仅适用于不具有大于10的任何值的向量，并且对于<= 10的分组是硬编码的。该功能当然可以概括为处理这些限制。
通过执行仅向前看一定数量的值而不是向量的剩余长度的累积和，可以稍微加速该函数。例如，如果值始终为正值，则您只需要提前查看十个值，因为您永远不需要将十个以上的数字相加以达到值10.这也可以针对任何目标值进行推广。即使进行了这种修改，该函数仍然比具有超过约100个值的向量的循环慢。
我以前没有在R中使用递归函数，并且对于递归是否对这类问题有意义以及是否可以改进，尤其是执行速度感兴趣。
您可以定义自己的函数，然后在dplyr中使用它 mutate 声明如下：
df %>% group_by() %>%
mutate(
cumsum_10 = cumsum_with_reset(value, 10),
group_10 = cumsum_with_reset_group(value, 10)
) %>%
ungroup()
该 cumsum_with_reset() function接受一列和一个重置总和的阈值。 cumsum_with_reset_group() 类似但标识已组合在一起的行。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()
我们可以利用这个功能 cumsumbinning，从包 MESS，执行此任务：
library(MESS)
df %>%
group_by(group_10 = cumsumbinning(value, 10)) %>%
mutate(cumsum_10 = cumsum(value))
产量
# 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