R";for loop";和/或应用于动态转换多个变量
我正在尝试将一种我将在EViews中使用的速记“for loop”技术翻译/复制到R中。我试图复制一个“for循环”,将一个时间序列变量除以另一个(向量),并将其保存为一个新的序列 由于我使用通用命名约定(例如GDP(real)、GDPn(nominal)和GDP_p(prices),请参见下面的EViews示例),我可以声明一次变量列表,并使用后缀(“n”或“_p”)中的更改来创建动态序列名称,并循环完成我需要的计算。我的输入数据是国民账户支出系列R";for loop";和/或应用于动态转换多个变量,r,eviews,R,Eviews,我正在尝试将一种我将在EViews中使用的速记“for loop”技术翻译/复制到R中。我试图复制一个“for循环”,将一个时间序列变量除以另一个(向量),并将其保存为一个新的序列 由于我使用通用命名约定(例如GDP(real)、GDPn(nominal)和GDP_p(prices),请参见下面的EViews示例),我可以声明一次变量列表,并使用后缀(“n”或“_p”)中的更改来创建动态序列名称,并循环完成我需要的计算。我的输入数据是国民账户支出系列 'EViews shorthand "for
'EViews shorthand "for next" loop:
%CATS = "GDP CONS INV GOV EX IM"
for %CATS {%cats}
series {%cats}_P= {%cats}n / {%cats}
next
'Which is shorthand replication of below ("series" declares a series of the subsequent name):
series GDP_P = GDPn / GDP
series CONS_P = CONSn / CONS
series INV_P = INVn / INV
series GOV_P = GOVn / GOV
series EX_P = EXn / EX
series IM_P = IMn / IM
到目前为止,我已经尝试使用R for循环(我已经读过,这不是R中的首选方式),通过创建序列名称的向量,并使用“assign(paste)”进行计算。下面是一个示例,但它不起作用。从我读到的关于“for”命令的内容来看,声明的序列代表“I”只能是值向量或名称向量,无其他上下文:
cats<-c("GDP","CONS","GOV","INV","EX","IM")
for (i in cats){
assign(paste(i, "_P",sep=""), paste(i, "n",sep="")/i)
}
cats您的函数应该是这样工作的:
cats<-c("GDP","CONS","GOV","INV","EX","IM")
for (i in cats){
assign(paste(i, "_P",sep=""), get(paste(i, "n",sep=""))/get(i))
}
txt
将包含手动创建所有向量所需键入的所有行的列表,然后eval(parse(text=txt))
获取每个命令并逐个执行
当然,您可以跳过将文本指定给txt
——我只是想让它更清楚这里发生了什么:
eval(parse(text=paste0(cats, "_P <- ", cats, "n/", cats)))
eval(parse(text=paste0(cats)”\u P考虑使用列表,尤其是针对许多类似元素。这样做可以更好地管理全局环境,并更简洁高效地处理数据。对于您来说,这意味着维护3个向量列表,而不是18个单独命名的向量(2个原始向量集和新的第3个向量集)。使用
assign
动态创建变量通常表示有机会使用命名列表
具体来说,在GDPn_列表和GDP_列表中收集您的项目,然后使用Map
(非简化的mapply
)在调用除法函数/
的两个等长列表之间进行元素级迭代。然后使用setNames()命名列表
。下面用随机数据演示,但对于您来说,OP可以使用注释掉的行来构建列表
原始数据
cats <- c("GDP","CONS","GOV","INV","EX","IM")
set.seed(9272018)
GDPn_list <- setNames(replicate(6, runif(50)*120, simplify=FALSE), paste0(cats, "n"))
# GDPn_list <- list(GDPn, CONSn, GOVn, INVn, EXn, IMn)
str(GDPn_list)
# List of 6
# $ GDPn : num [1:50] 52.4 31.9 10.6 118.4 66 ...
# $ CONSn: num [1:50] 18.27 22.3 95.13 87.44 9.79 ...
# $ GOVn : num [1:50] 48.83 69.73 113.61 35.53 1.21 ...
# $ INVn : num [1:50] 51.9 96.9 28.2 67.2 19 ...
# $ EXn : num [1:50] 28.3 94.3 42.3 65.5 83.6 ...
# $ IMn : num [1:50] 109.3 26.6 60.2 78.2 55.5 ...
GDP_list <- setNames(replicate(6, runif(50)*100, simplify=FALSE), cats)
# GDPn_list <- list(GDP, CONS, GOV, INV, EX, IM)
str(GDP_list)
# List of 6
# $ GDP : num [1:50] 51.1 65.9 41.5 24.5 87.3 ...
# $ CONS: num [1:50] 47.66 77.32 46.97 48.61 2.98 ...
# $ GOV : num [1:50] 32.6 70.3 21.5 73.4 97.8 ...
# $ INV : num [1:50] 80.7 16.8 57.4 80.7 12.1 ...
# $ EX : num [1:50] 38.1 78.1 40.6 62.8 61.9 ...
# $ IM : num [1:50] 39.8 84.8 11.4 39.7 14.7 ...
GDPp_list <- setNames(Map(`/`, GDPn_list, GDP_list), paste0(cats, "p"))
str(GDPp_list)
# List of 6
# $ GDPp : num [1:50] 1.025 0.484 0.256 4.835 0.756 ...
# $ CONSp: num [1:50] 0.383 0.288 2.025 1.799 3.286 ...
# $ GOVp : num [1:50] 1.4969 0.9921 5.2891 0.4844 0.0124 ...
# $ INVp : num [1:50] 0.644 5.775 0.491 0.832 1.578 ...
# $ EXp : num [1:50] 0.744 1.207 1.043 1.043 1.352 ...
# $ IMp : num [1:50] 2.747 0.314 5.293 1.971 3.783 ...
如果向量长度相等,则从列表中构建一个矩阵!这次使用mapply
:
GDPp_matrix <- mapply(`/`, GDPn_list, GDP_list)
colnames(GDPp_matrix) <- paste0(cats, "p")
head(GDPp_matrix)
# GDPp CONSp GOVp INVp EXp IMp
# [1,] 1.0252871 0.3832836 1.49687150 0.6436575 0.7441159 2.746551
# [2,] 0.4835700 0.2884577 0.99208666 5.7753575 1.2067694 0.314102
# [3,] 0.2562130 2.0251752 5.28913247 0.4910816 1.0429316 5.292843
# [4,] 4.8345697 1.7987625 0.48436284 0.8322211 1.0431301 1.970523
# [5,] 0.7563794 3.2859395 0.01236608 1.5781949 1.3518592 3.783420
# [6,] 0.1515318 10.9332338 1.10608066 13.7953500 0.7211371 1.918249
GDPp_矩阵重新考虑使用and.R是一种函数式编程语言,设计用于显式分配对象和方法调用,而不是字符串呈现的后门进程。除了清教徒主义之外,还有什么实际原因吗?
GDPp_list$GDPp
GDPp_list$CONSp
GDPp_list$GOVp
...
GDPp_list[[1]]
GDPp_list[[2]]
GDPp_list[[3]]
...
GDPp_matrix <- mapply(`/`, GDPn_list, GDP_list)
colnames(GDPp_matrix) <- paste0(cats, "p")
head(GDPp_matrix)
# GDPp CONSp GOVp INVp EXp IMp
# [1,] 1.0252871 0.3832836 1.49687150 0.6436575 0.7441159 2.746551
# [2,] 0.4835700 0.2884577 0.99208666 5.7753575 1.2067694 0.314102
# [3,] 0.2562130 2.0251752 5.28913247 0.4910816 1.0429316 5.292843
# [4,] 4.8345697 1.7987625 0.48436284 0.8322211 1.0431301 1.970523
# [5,] 0.7563794 3.2859395 0.01236608 1.5781949 1.3518592 3.783420
# [6,] 0.1515318 10.9332338 1.10608066 13.7953500 0.7211371 1.918249