以R表示的贴现累计金额
我试图计算一个贴现的累积值,其中后面的值更值钱 假设我有以下数据集:以R表示的贴现累计金额,r,data.table,cumulative-sum,R,Data.table,Cumulative Sum,我试图计算一个贴现的累积值,其中后面的值更值钱 假设我有以下数据集: dt <- data.table( "year" = c(79,80,81,82,83), "value" = c(5,2,6,8,9)) > dt year value 1: 79 5 2: 80 2 3: 81 6 4: 82 8 5: 83 9 贴现累计金额(DC)通过以10%的年贴现率贴现之前的值来计算。因此,对于第一行和第二行,D
dt <- data.table( "year" = c(79,80,81,82,83), "value" = c(5,2,6,8,9))
> dt
year value
1: 79 5
2: 80 2
3: 81 6
4: 82 8
5: 83 9
贴现累计金额(DC)通过以10%的年贴现率贴现之前的值来计算。因此,对于第一行和第二行,DCS值由2+5*(0.9)^1给出。对于第三行,DCS为6+(0.9)^1*2+(0.9)^2*5,依此类推
形式上,贴现金额公式如下所示:
最后,如果可能,最好使用data.table解决方案。也许您可以尝试下面的代码
方法1 使用
sum
dt[,DCS:=sapply(1:.N,function(k) sum(0.9**(k-1:k)*head(value,k)))]
方法2 使用
Reduce
from base R
dt[,Reduce(function(x,y) 0.9*x+y,as.list(value),accumulate = TRUE)]
方法3
- 首先,您可以构造一个矩阵
,它给出类似卷积的系数m
- 然后你就可以跑了
结果
这里还有两个选择 1) 使用
Rcpp
,然后在数据中通过引用进行更新。表
:
library(Rcpp)
cppFunction("
NumericVector dcs(NumericVector x, double disc) {
int n = x.size();
NumericVector res(n);
res[0] = x[0];
for (int i=1; i<n; i++) {
res[i] += x[i] + res[i-1]*disc;
}
return res;
}")
dt[, DCS := dcs(value, 0.9)]
s <- 0
dt[, dcs2 := {
s <- value + s*0.9
s
},
1L:nrow(dt)]
#or simply: s <- 0; dt[, dcs2 := s <- value + s*0.9, 1L:nrow(dt)]
输出:
year value DCS dcs2
1: 79 5 5.0000 5.0000
2: 80 2 6.5000 6.5000
3: 81 6 11.8500 11.8500
4: 82 8 18.6650 18.6650
5: 83 9 25.7985 25.7985
ID n V1
1: 1 1 1.0
2: 1 2 2.9
3: 2 1 3.0
4: 2 2 6.7
编辑:回应关于分组的评论:
dt <- data.table(ID=c(1,1,2,2), value=1:4)
dt[, {
n <- .N
s <- 0;
.SD[, {
s <- value + s*0.9;
s
},
1L:n]
},
ID]
不是一个正确的答案,但只是其他答案的时间。希望这将有助于确定选择哪个选项: 加载库
库(data.table)
图书馆(Rcpp)
创建数据集
set.seed(0L)
dt你能比较一下函数的计时吗?第二种方法很神奇,我只是从另一个答案中尝试了一下,然后是我要建议的一种实现和递归data.table解决方案,在一个有一百万行的数据集上,虽然前两种方法非常慢,而且占用内存,data.table中的递归方式非常神奇。请分享第二种方法中有关data.table语法的更多信息?出于某种原因,我似乎无法在文档中甚至通过谷歌找到它:/@ira这是马特·道尔在的一篇文章。从那时起就出现了倒退,我在项目的github站点上发布了一个问题。您愿意分享时间安排吗?在一个有10k
观测值的数据集上,我使用microbenchmark在30次迭代中得到了以下中值时间:sapply:5945ms
,在数据中递归。表:11ms
。此外,这个答案中给出的第二个选项似乎更节省内存。我还没有尝试过Rcpp方法。很抱歉,我已经用85%的折扣系数重新计算过了。编辑。
library(Rcpp)
cppFunction("
NumericVector dcs(NumericVector x, double disc) {
int n = x.size();
NumericVector res(n);
res[0] = x[0];
for (int i=1; i<n; i++) {
res[i] += x[i] + res[i-1]*disc;
}
return res;
}")
dt[, DCS := dcs(value, 0.9)]
s <- 0
dt[, dcs2 := {
s <- value + s*0.9
s
},
1L:nrow(dt)]
#or simply: s <- 0; dt[, dcs2 := s <- value + s*0.9, 1L:nrow(dt)]
year value DCS dcs2
1: 79 5 5.0000 5.0000
2: 80 2 6.5000 6.5000
3: 81 6 11.8500 11.8500
4: 82 8 18.6650 18.6650
5: 83 9 25.7985 25.7985
dt <- data.table(ID=c(1,1,2,2), value=1:4)
dt[, {
n <- .N
s <- 0;
.SD[, {
s <- value + s*0.9;
s
},
1L:n]
},
ID]
ID n V1
1: 1 1 1.0
2: 1 2 2.9
3: 2 1 3.0
4: 2 2 6.7
# A tibble: 5 x 13
expression min median `itr/sec` mem_alloc `gc/sec` n_itr n_gc total_time result memory time gc
<bch:expr> <dbl> <dbl> <dbl> <bch:byt> <dbl> <int> <dbl> <dbl> <list> <list> <list> <list>
1 app_1 6.34 6.34 0.158 1.12GB 0.315 1 2 6.34 <df[,7] [10~ <df[,3] [5~ <bch:~ <tibble [~
2 app_2 0.0109 0.0123 71.3 612.34KB 21.8 72 22 1.01 <df[,7] [10~ <df[,3] [2~ <bch:~ <tibble [~
3 app_3 3.93 3.93 0.255 4.1GB 0.764 1 3 3.93 <df[,7] [10~ <df[,3] [2~ <bch:~ <tibble [~
4 dt_rcpp 0.000308 0.000337 2681. 195.46KB 6.01 2679 6 0.999 <df[,7] [10~ <df[,3] [2~ <bch:~ <tibble [~
5 dt_recursive 0.00939 0.00972 99.2 294.52KB 6.94 100 7 1.01 <df[,7] [10~ <df[,3] [3~ <bch:~ <tibble [~
# A tibble: 3 x 13
expression min median `itr/sec` mem_alloc `gc/sec` n_itr n_gc total_time result memory time gc
<bch:expr> <dbl> <dbl> <dbl> <bch:byt> <dbl> <int> <dbl> <dbl> <list> <list> <list> <list>
1 app_2 1.52 1.52 0.659 53.5MB 6.59 1 10 1.52 <df[,5] [1,0~ <df[,3] [27~ <bch:~ <tibble [~
2 dt_rcpp 0.00731 0.00942 89.9 15.3MB 0.899 100 1 1.11 <df[,5] [1,0~ <df[,3] [20~ <bch:~ <tibble [~
3 dt_recursive 0.902 0.905 1.10 22.9MB 1.66 2 3 1.81 <df[,5] [1,0~ <df[,3] [4,~ <bch:~ <tibble [~