R 如何创建列表列表，然后对其执行向量化函数

我在这个请求中寻找两个具体的帮助点 1如何根据我的数据库all.df创建列表 2如何在此列表列表上矢量化函数

我正在尝试使用Prophet库在客户/产品级别生成预测。 我正在努力使操作矢量化。 我目前运行一个for循环，我希望避免并加快我的计算

用于分析的数据 这是我的预测功能 目前，我使用for循环一次处理一个客户/产品 我想将整个操作矢量化：

1-创建列表列表，即通过以下方式拆分all.df：

一个产品然后

b按客户分类

2-然后将daily_forecast功能映射到上面1中创建的列表列表上

---

我非常希望使用purrr之外的函数。

以下是我如何使用purrr实现您的要求：

但以下内容对我来说更自然，将所有内容都保存在一个数据框架中：

res_2 <-
  all.df %>% 
  rename(ds = Date, y = Revenue) %>% 
  nest(ds, y) %>% 
  transmute(Customer, Product, res = map(data, daily_forecast)) %>% 
  unnest()
# # A tibble: 4,380 × 5
#    Customer Product       Date Actual.Revenue fcast.daily
#      <fctr>  <fctr>     <date>          <int>       <dbl>
# 1         a     xxx 2017-01-01             76    55.93109
# 2         a     xxx 2017-01-02             87    57.92577
# 3         a     xxx 2017-01-03             87    51.92263
# 4         a     xxx 2017-01-04             56    51.86267
# 5         a     xxx 2017-01-05             83    54.04588
# 6         a     xxx 2017-01-06             17    52.75289
# 7         a     xxx 2017-01-07             19    52.35083
# 8         a     xxx 2017-01-08             72    53.91887
# 9         a     xxx 2017-01-09             92    55.81202
# 10        a     xxx 2017-01-10             35    49.78302
# # ... with 4,370 more rows

---

谢谢爱你的第二个解决方案，它是令人难以置信的优雅，有一个自然流到它。我希望我能不止一次投票支持这个答案！我一直在使用你的nest解决方案来解决我的许多难题。这是一个非常有用的策略，你能写一篇关于如何有效地使用它的博客并通过r-bloggers.com发布吗

daily_forecast <- function(df, forecast.days = 365){


# fit actuals into prophet
m <- prophet(df, 
             yearly.seasonality = TRUE,
             weekly.seasonality = TRUE,
             changepoint.prior.scale = 0.55)  # default value is 0.05

# create dummy data frame to hold prodictions
future <- make_future_dataframe(m, periods = forecast.days, freq = "day")

# run the prediction 
forecast <- predict(m, future)

### Select the date and forecast from the model and then merge with actuals
daily_fcast     <- forecast %>% select(ds, yhat) %>% dplyr::rename(Date = ds, fcast.daily = yhat) 
actual.to.merge <- df %>% dplyr::rename(Date = ds, Actual.Revenue = y)
daily_fcast     <- merge(actual.to.merge, daily_fcast, all = TRUE)

}

x <- df1 %>% select(-c(Customer, Product)) %>% 
  dplyr::rename(ds = Date, y = Revenue) %>%
  daily_forecast()

library(tidyverse)
library(lubridate)
library(prophet)

res <-
  all.df %>% 
  split(.$Customer) %>% 
  map(~ split(.x, .x$Product)) %>% 
  at_depth(2, select, ds = Date, y = Revenue) %>% 
  at_depth(2, daily_forecast)
str(res)
# List of 2
#  $ a:List of 2
# ..$ xxx:'data.frame': 1095 obs. of  3 variables:
# .. ..$ Date          : Date[1:1095], format: "2017-01-01" ...
# .. ..$ Actual.Revenue: int [1:1095] 76 87 87 56 83 17 19 72 92 35 ...
# .. ..$ fcast.daily   : num [1:1095] 55.9 57.9 51.9 51.9 54 ...
# ..$ yyy:'data.frame': 1095 obs. of  3 variables:
# .. ..$ Date          : Date[1:1095], format: "2017-01-01" ...
# .. ..$ Actual.Revenue: int [1:1095] 62 87 175 186 168 190 30 192 119 170 ...
# .. ..$ fcast.daily   : num [1:1095] 121 121 119 119 116 ...
# $ b:List of 2
# ..$ xxx:'data.frame': 1095 obs. of  3 variables:
# .. ..$ Date          : Date[1:1095], format: "2017-01-01" ...
# .. ..$ Actual.Revenue: int [1:1095] 71 94 81 32 85 59 59 55 50 50 ...
# .. ..$ fcast.daily   : num [1:1095] 51.9 54.2 54.5 53.1 51.9 ...
# ..$ yyy:'data.frame': 1095 obs. of  3 variables:
# .. ..$ Date          : Date[1:1095], format: "2017-01-01" ...
# .. ..$ Actual.Revenue: int [1:1095] 105 46 153 136 59 59 34 72 70 85 ...
# .. ..$ fcast.daily   : num [1:1095] 103.3 103.3 103.1 103.1 91.5 ...

res_2 <-
  all.df %>% 
  rename(ds = Date, y = Revenue) %>% 
  nest(ds, y) %>% 
  transmute(Customer, Product, res = map(data, daily_forecast)) %>% 
  unnest()
# # A tibble: 4,380 × 5
#    Customer Product       Date Actual.Revenue fcast.daily
#      <fctr>  <fctr>     <date>          <int>       <dbl>
# 1         a     xxx 2017-01-01             76    55.93109
# 2         a     xxx 2017-01-02             87    57.92577
# 3         a     xxx 2017-01-03             87    51.92263
# 4         a     xxx 2017-01-04             56    51.86267
# 5         a     xxx 2017-01-05             83    54.04588
# 6         a     xxx 2017-01-06             17    52.75289
# 7         a     xxx 2017-01-07             19    52.35083
# 8         a     xxx 2017-01-08             72    53.91887
# 9         a     xxx 2017-01-09             92    55.81202
# 10        a     xxx 2017-01-10             35    49.78302
# # ... with 4,370 more rows