滚动平均值，标准偏差（单位：dbplyr）

我想用dbplyr中的滚动函数（滚动平均值、stdev…等）设置一个新变量

这是一个数据库

library(odbc)
library(DBI)
library(tidyverse)
library(zoo)

con <- DBI::dbConnect(odbc::odbc(),
                      Driver    = "SQL Server", 
                      Server    = "xx.xxx.xxx.xxx",
                      Database  = "stock",
                      UID       = "userid",
                      PWD       = "userpassword")

startday = 20150101
day = tbl(con, in_schema("dbo", "LogDay")) 

库（odbc）
图书馆（DBI）
图书馆（tidyverse）
图书馆（动物园）
con%
突变（ma5=rollmean（价格接近，k=5，填充=NA））
错误：nanodbc/nanodbc.cpp:1655:42000:[Microsoft][ODBC SQL Server驱动程序][SQL Server]키워드 '正如근처의 구문이  [Microsoft][ODBC SQL Server驱动程序][SQL Server]문을 준비할 수 
选择前11名“logNo”、“stockCode”、“logDate”、“priceOpen”、“priceHigh”、“priceLow”、“priceClose”、“adjRate”、“volume”、“amount”、“numListed”、“remark”、“marketCap”、“foreignRate”、“personetbuy”、“foreignNetbuy”、“instNetbuy”、“financeNetbuy”、“insuranceNetbuy”、“toosinetbuy”、“bankNetbuy”、“gitaFinanceNetbuy”、“pennetbuy”、“养老金购买”、“gitainstnstnetbuy”，“gitafoundebuy”、“samoNetbuy”、“nationNetbuy”、rollmean（“价格关闭”，5.0为“k”，NULL为“fill”）为“ma5”
从“dbo”，“LogDay”
其中（“日志日期”>20150101.0）
按“股票代码”订购
警告:
已忽略SQL rollmean的命名参数

发生错误的原因是

rollmean

没有定义dbplyr转换，也不是可以不转换而使用的SQL命令。这并不奇怪，因为

rollmean

是data.table库的一部分，dbplyr专注于翻译dplyr和base R命令

你所追求的部分是一个窗口函数。dplyr和SQL都有一系列的功能，但它们之间的转换并不总是有效的。但是有一些方法可以使用定义了翻译的命令来实现这一点

可考虑的两种方法：

（1）结合滞后和超前

df%>%
变异（prev2_价格=滞后（priceClose，2，order_by=日期），
prev1_价格=滞后（价格关闭，1，订单日期=日期），
next1\u价格=潜在客户（价格结束，1，订单截止日期=日期），
next2\u价格=潜在客户（价格结束，2，订单日期））%>%
变异（ma5=（上一个价格+上一个价格+priceClose+下一个价格+下一个价格）/5）

这种方法不能很好地扩展，但它简单明了，易于推理。如果您想在组内工作（例如，每个股票的单独移动平均数），请在使用

lag

和

lead

之前应用

groupby

（2）加入并过滤掉不需要的记录

df2=df%>%
选择（股票代码、日期、价格结束）
df%>%
内部联接（df2，by=“stockCode”，后缀=c（“，“_2”）%>%
过滤器（abs（日期-日期2）%#两侧的两条记录=宽度为5的窗口
分组依据（股票代码、日期、价格结束）%>%
总结（ma5=平均值（价格接近2）

---

这种方法更通用，但可能更难推理。

再次感谢您，Simon。我感谢您的帮助。由于dbplyr中不支持滚动函数，我将表转换为data.table，应用了滚动函数，它就工作了

day = tbl(con, in_schema("dbo", "LogDay")) %>% filter(logDate > startday) %>% lazy_dt()

dayt = day %>% 
   group_by(stockCode) %>% 
   arrange(logDate) %>% 
   mutate(rise = (priceClose/lag(priceClose,1)-1)*100,
          candle = ifelse(priceClose > priceOpen, 1, 0),
          middle = ifelse(priceClose > (priceHigh + priceLow)/2, 1, 0),
          ma5 = rollmean(priceClose, k = 5, fill = NA, align = 'right'), 
          ovnprofit = lead(priceOpen,1)/priceClose,
          disparity = priceClose/ma5*100)

day = tbl(con, in_schema("dbo", "LogDay")) %>% filter(logDate > startday) %>% lazy_dt()

dayt = day %>% 
   group_by(stockCode) %>% 
   arrange(logDate) %>% 
   mutate(rise = (priceClose/lag(priceClose,1)-1)*100,
          candle = ifelse(priceClose > priceOpen, 1, 0),
          middle = ifelse(priceClose > (priceHigh + priceLow)/2, 1, 0),
          ma5 = rollmean(priceClose, k = 5, fill = NA, align = 'right'), 
          ovnprofit = lead(priceOpen,1)/priceClose,
          disparity = priceClose/ma5*100)