R-加速近似日期匹配。伊达塔,框架?
我正在努力高效地在两个数据帧之间执行“结束”日期匹配。这个问题探索了一个使用R-加速近似日期匹配。伊达塔,框架?,r,data.table,plyr,subset,R,Data.table,Plyr,Subset,我正在努力高效地在两个数据帧之间执行“结束”日期匹配。这个问题探索了一个使用plyr包中的idata.frame的解决方案,但我也很乐意使用其他建议的解决方案 这是两个数据帧的一个非常简单的版本: sampleticker<-data.frame(cbind(ticker=c("A","A","AA","AA"), date=c("2005-1-25","2005-03-30","2005-02-15","2005-04-21"))) sampleticker$date<-as.
plyr
包中的idata.frame
的解决方案,但我也很乐意使用其他建议的解决方案
这是两个数据帧的一个非常简单的版本:
sampleticker<-data.frame(cbind(ticker=c("A","A","AA","AA"),
date=c("2005-1-25","2005-03-30","2005-02-15","2005-04-21")))
sampleticker$date<-as.Date(sampleticker$date,format="%Y-%m-%d")
samplereport<-data.frame(cbind(ticker=c("A","A","A","AA","AA","AA"),
rdate=c("2005-2-15","2005-03-15","2005-04-15",
"2005-03-01","2005-04-20","2005-05-01")))
samplereport$rdate<-as.Date(samplereport$rdate,format="%Y-%m-%d")
这非常有效:对于示例数据,我得到了下面的结果,这就是我想要的
date ticker rdate
1 2005-01-25 A 2005-02-15
2 2005-03-30 A 2005-04-15
3 2005-02-15 AA 2005-03-01
4 2005-04-21 AA 2005-05-01
但是,由于代码执行了30000多个子集操作,因此速度非常慢:在最终终止之前,我运行了上述查询一天多
我看到PLYR1.0有一个结构,idata.frame
,它通过引用调用dataframe,大大加快了子集操作。但是,我无法使以下代码正常工作:
isamplereport<-idata.frame(samplereport)
adply(sampleticker,1,function(x){
y<-subset(isamplereport,isamplereport$ticker %in% x$ticker &
isamplereport$rdate > x$date)
y[which.min(y$rdate),]
})
这对我来说很有意义,因为该操作返回一个idata.frame
(我假设)。但是,将最后一行更改为:
as.data.frame(y[which.min(y$rdate),])
还抛出一个错误:
Error in `[.data.frame`(x$`_data`, x$`_rows`, x$`_cols`) :
undefined columns selected.
请注意,在普通的旧sampleport
上调用as.data.frame
,将返回原始数据帧,这与预期的一样
我知道,idata.frame
是实验性的,所以我不一定期望它能正常工作。但是,如果有人知道如何解决这个问题,我将不胜感激。或者,如果有人能提出一种完全不同的方法,可以更有效地运行,那就太棒了
马特
更新Data.table是正确的方法。请参见下文。这里是一个基于
数据表的解决方案,它可能比您当前使用的解决方案工作得更好:
library(data.table)
ST <- data.table(sampleticker, key="ticker")
SR <- data.table(samplereport, key="ticker")
SR <- SR[with(SR, order(ticker, rdate)),] # rdates need to be in increasing order
SR[ST, list(date = date,
rdate = rdate[match(TRUE, (rdate > date))]), ]
ticker date rdate
[1,] A 2005-01-25 2005-02-15
[2,] A 2005-03-30 2005-04-15
[3,] AA 2005-02-15 2005-03-01
[4,] AA 2005-04-21 2005-05-01
库(data.table)
ST下面是一个解决方案,它继承了Matthew Dowle的观点,即这是应用数据的自然场所。table
的roll=TRUE
参数
如果你要使用它,有一条皱纹需要熨平roll=TRUE
的设计是,当没有找到键的最后一列(此处为日期)的精确匹配时,将向前滚动最近的前一个日期的值。但是,您想要的是相反的(即使存在精确匹配,您仍然需要下一个可用日期的值)
第一次尝试可能是按“ticker”
排序,按“rdate”
反向排序,并与结果重新排序的SR
合并。这是可行的,除了数据。table
不允许按相反顺序排序:按键控“rdate”
强制该列按升序排序。(data.table
需要这样做,以实现它所设计的快速匹配和连接)
我下面的解决方案是在两个data.tables中创建一个新列--“rnd”
,用于“反向数字日期”,其值是通过执行-as.numeric(date)
形成的。这将为每个日期指定一个唯一的值。此外,由于这些值已乘以-1
,按升序排序具有按降序排序日期的效果
(另一个细节:因为你不想要精确的匹配,而总是想要当前日期之后的下一个日期,所以我从sampleticker的rnd
中减去1
,这达到了预期的效果。为了确认它的工作是否正确,我稍微编辑了你的示例数据,以包含一个可能的精确匹配(“2005-1-25”
),不应由合并选择)
#创建示例数据表
库(数据表)
ST多亏了Matthew Dowle和他在data.table中添加的向后滚动和向前滚动的功能,现在执行这种合并变得简单多了
ST <- data.table(sampleticker)
SR <- data.table(samplereport)
setkey(ST,ticker,date)
SR[,mergerdate:=rdate]
setkey(SR,ticker,mergerdate)
merge<-SR[ST,roll=-Inf]
setnames(merge,"mergerdate","date")
# ticker date rdate
# 1: A 2005-01-25 2005-02-15
# 2: A 2005-03-30 2005-04-15
# 3: AA 2005-02-15 2005-03-01
# 4: AA 2005-04-21 2005-05-01
STroll=TRUE
就是为这个目的而设计的。要得到最接近的after-then可能是X[Y,roll=TRUE,which=TRUE]+1]
,或者将其反转并执行Y[X,roll=TRUE]
。但是下一个after要求非常罕见。实际上mult=“last”
或DT[J(日期,23:00),roll=TRUE]
通常更好。我实际上会大量使用“下一个之后”的要求;在事件发生后选择第一条记录来衡量对事件的响应是很常见的。我会尝试使用roll=TRUE
来达到正确的效果。我的初步建议(可能不正确)尝试给了我相反的结果:sampleport
是距离sampleticker
最近的,但是相反的过程会给我sampleport
中的所有记录以及一堆NAs,这绝对不是我想要的。我必须了解更多关于data.table的信息,因为它看起来非常有用。@Matt--澄清很有帮助。由于您也在查看roll=TRUE
,我将花时间发布一个我找到的使用它的解决方案。请让我知道它对您的数据是否有效。谢谢Josh。我认为您上面的解决方案也有效;我非常确定,在我开始玩roll=TRUE
之前,它一直在工作,并且然后我把它搞砸了。我现在要尝试恢复你的解决方案。我肯定也会对roll=TRUE
解决方案感兴趣。它更简洁,而且似乎要快得多。这也是一个很好的解决方案,它的运行速度比公认的解决方案快得多。非常好!我没有完全检查它,但我得到了它概念。好的,你们说服了我:[.data.table
需要一个新的参数来回滚下一个观察值,不是吗。顺便说一句,这是一个简单的内部切换。选项:revroll
,rollback
,rollbacktofirst
,next
,after
或一些组合?或者不是新的参数,roll=-1 | 0 | 1
表示在| equal | previous
之后的,其中TRUE
和FALSE
不需要更改,因为它们分别映射到previous和equal
library(data.table)
ST <- data.table(sampleticker, key="ticker")
SR <- data.table(samplereport, key="ticker")
SR <- SR[with(SR, order(ticker, rdate)),] # rdates need to be in increasing order
SR[ST, list(date = date,
rdate = rdate[match(TRUE, (rdate > date))]), ]
ticker date rdate
[1,] A 2005-01-25 2005-02-15
[2,] A 2005-03-30 2005-04-15
[3,] AA 2005-02-15 2005-03-01
[4,] AA 2005-04-21 2005-05-01
# Add some columns to both data.tables
ST$alpha <- letters[seq_len(nrow(ST))]
SR$n <- seq_len(nrow(SR))
SR$ALPHA <- LETTERS[seq_len(nrow(SR))]
# Perform a merge that includes the whole rows from samplereport
# corresponding to the selected rdate
RES <- SR[ST, cbind(date, .SD[match(TRUE,(rdate>date)),-1]), ]
# Merge res (containing the selected rows from samplereport) back together
# with sampleticker
keycols <- c("ticker", "date")
setkeyv(RES, keycols)
setkeyv(ST, keycols)
ST[RES]
# ticker date alpha rdate n ALPHA
# [1,] A 2005-01-25 a 2005-02-15 1 A
# [2,] A 2005-03-30 b 2005-04-15 3 C
# [3,] AA 2005-02-15 c 2005-03-01 4 D
# [4,] AA 2005-04-21 d 2005-05-01 6 F
# Create sample data.tables
library(data.table)
ST <- data.table(ticker = c("A","A","AA","AA"),
date = as.Date(c("2005-1-25","2005-03-30","2005-02-15",
"2005-04-21"), format="%Y-%m-%d"),
alpha = letters[1:4])
SR <- data.table(ticker = c("A","A","A","AA","AA","AA"),
rdate = as.Date(c("2005-1-25","2005-03-15","2005-04-15",
"2005-03-01","2005-04-20","2005-05-01"),
format="%Y-%m-%d"),
ALPHA = LETTERS[1:6])
# Create a "reverse numerical date" column, which will uniquely
# identify date, and allow them to be sorted in reverse temporal order
ST$rnd <- -(as.numeric(ST$date) + 1)
SR$rnd <- -(as.numeric(SR$rdate))
# key (and thus sort) both data.tables by ticker and "reverse numerical date"
keycols <- c("ticker", "rnd")
setkeyv(ST, keycols)
setkeyv(SR, keycols)
# The syntax of the merge is now as simple as can be
res <- SR[ST, roll=TRUE]
# Finally, put the results back in temporal order, and pretty up the column order
setkeyv(res, c("ticker", "date"))
setcolorder(res, c("ticker", "date", "rdate", "alpha", "ALPHA", "rnd"))
res
# ticker date rdate alpha ALPHA rnd
# [1,] A 2005-01-25 2005-03-15 a B -12809
# [2,] A 2005-03-30 2005-04-15 b C -12873
# [3,] AA 2005-02-15 2005-03-01 c D -12830
# [4,] AA 2005-04-21 2005-05-01 d F -12895
ST <- data.table(sampleticker)
SR <- data.table(samplereport)
setkey(ST,ticker,date)
SR[,mergerdate:=rdate]
setkey(SR,ticker,mergerdate)
merge<-SR[ST,roll=-Inf]
setnames(merge,"mergerdate","date")
# ticker date rdate
# 1: A 2005-01-25 2005-02-15
# 2: A 2005-03-30 2005-04-15
# 3: AA 2005-02-15 2005-03-01
# 4: AA 2005-04-21 2005-05-01