R 从相关子集为大数据帧中的每一行进行多个新聚合

我在R中有一个大的dataframe，我想在现有列的基础上创建一些新列。但是，对于每一行，新值还取决于其他一些行

下面是一些虚拟数据

colnames <- c('date', 'docnr', 'clientid', 'values')
docnr <- c(1,2,3,4,5,6)
dates <- c('2017-01-01', '2017-02-01', '2017-03-01', '2017-04-01','2017-01-05', '2017-02-05')
clients <- c(1,1,1,1,2,2)
values <- c(10,14,4,7,9,19)
df <- data.frame(cbind(dates, docnr, clients, values))
names(df) <- colnames
df$date <- as.Date(df$date, format = "%Y-%m-%d")

df
        date docnr clientid values
1 2017-01-01     1        1     10
2 2017-02-01     2        1     14
3 2017-03-01     3        1      4
4 2017-04-01     4        1      7
5 2017-01-05     5        2      9
6 2017-02-05     6        2     19

目前，我使用for循环：

counts <- numeric(0)
totals <- numeric(0)
for (i in 1:nrow(df)) {
  tmp <- df[df$date< df$date[i] & df$clientid== df$clientid[i],
               c( "date", "docnr","value")]
  cnt <- nrow(tmp)
  tot <- sum(tmp$value)
  counts[i] <- res
  totals[i] <- tot
}
df$counts <- counts
df$totals <- totals

---

计数这里有两行基本R代码，使用
ave
进行分组

# get counts
df$counts <- ave(df$docnr, df$clientid, FUN=seq_along) - 1L
# get lagged cumulative sum
df$totals <- ave(df$values, df$clientid, FUN=function(x) c(0, head(cumsum(x), -1)))


我怀疑上面的代码对于您描述的数据的执行速度足够快。但是，
data.table
是一个推荐的包，用于处理可能有数十亿行的数据。类似于
数据中的上述代码。表
将为

library(data.table)
setDT(df)[, c("counts", "totals") := .(seq_len(.N) - 1L, shift(cumsum(values), fill=0)),
          by=clientid]

其中
seq_len（.N）
沿
填充
seq_的角色，
shift
填充上一个代码中
c（0，head（总和（x），-1））

这将返回一个data.table，其值与上述值相同

df
         date docnr clientid values counts totals
1: 2017-01-01     1        1     10      0      0
2: 2017-02-01     2        1     14      1     10
3: 2017-03-01     3        1      4      2     24
4: 2017-04-01     4        1      7      3     28
5: 2017-01-05     5        2      9      0      0
6: 2017-02-05     6        2     19      1      9

数据

df <- 
structure(list(date = structure(c(17167, 17198, 17226, 17257, 
17171, 17202), class = "Date"), docnr = c(1, 2, 3, 4, 5, 6), 
    clientid = c(1, 1, 1, 1, 2, 2), values = c(10, 14, 4, 7, 
    9, 19)), .Names = c("date", "docnr", "clientid", "values"
), row.names = c(NA, -6L), class = "data.frame")

df这很容易与dplyr配合使用

This works

df$values <- as.numeric(as.character(df$values))
df1  <- df %>% 
  arrange(clientid, date) %>% 
  group_by(clientid) %>% 
  mutate(counts = row_number()-1,
         total = lag(cumsum(values),k=1, default=0)) %>% 
  ungroup()

这很有效
df$价值%
分组依据（客户ID）%>%
变异（计数=行数（）-1，
总计=滞后（总和（值），k=1，默认值=0））%>%
解组（）

df1现在包含您想要的数据
不要在
data.frame
中使用
cbind
，因为它将所有元素强制为字符。直接使用
data.frame
：
df谢谢！对于我来说，最快的解决方案是使用
data.table
，只要新派生列的数量是2个或更多。在3.5秒内完成700k行。对于单个新列，
ave
解决方案更快。确实有效，我喜欢可读的代码。它很快，但没有@lmo的另一个答案那么快。在700k行上，此解决方案对我来说需要23秒，而使用
setDT
则需要3.5秒。
df <- 
structure(list(date = structure(c(17167, 17198, 17226, 17257, 
17171, 17202), class = "Date"), docnr = c(1, 2, 3, 4, 5, 6), 
    clientid = c(1, 1, 1, 1, 2, 2), values = c(10, 14, 4, 7, 
    9, 19)), .Names = c("date", "docnr", "clientid", "values"
), row.names = c(NA, -6L), class = "data.frame")

This works

df$values <- as.numeric(as.character(df$values))
df1  <- df %>% 
  arrange(clientid, date) %>% 
  group_by(clientid) %>% 
  mutate(counts = row_number()-1,
         total = lag(cumsum(values),k=1, default=0)) %>% 
  ungroup()