使用dplyr和for循环添加多个滞后变量

我有我预测的时间序列数据，所以我创建了滞后变量，用于我的统计分析。我想要一个快速的方法来创建多个给定特定输入的变量，这样我就可以轻松地交叉验证和比较模型

以下示例代码为给定类别（a、B、C）的2个不同变量（共4个）添加了2个滞后：

老实说，我只是有点不知道如何让它发挥作用。我的for循环和整体逻辑的顺序是有意义的，但函数将字符转换为变量的方式和整体语法似乎有点不对劲。有没有一个简单的方法来修复这个函数以获得我想要的结果

特别是，我正在寻找：

类似于

MultiMutate（data=data，variables=c（values1，values2），lags=2）的函数

，它将从上面创建

LagVal

的精确结果

基于变量及其滞后动态命名变量。即值1.1、值1.2、值2.1、值2.2等

---

提前感谢您，如果您需要更多信息，请告诉我。如果有更简单的方法得到我想要的东西，那么我会洗耳恭听

您必须深入到tidyverse工具箱中，才能一次添加它们。如果为

cats

的每个值嵌套数据，则可以在嵌套的数据帧上迭代，在每个数据帧中的

值*

列上迭代滞后

库（tidyverse）
种子（47）
df%嵌套（-cats）%%>%
突变（滞后=映射（数据、函数（dat））{
imap_dfc（dat[-1]，~set_名称（map（1:2，滞后，x=.x）），
粘贴0（.y，_滞后，1:2）））
})) %>% 
unest（）%>%
安排（天）
#>#tibble:9 x 8
#>猫日值1值2值1\u lag1值1\u lag2值2\u lag1
#>                                  
#>1234-7.娜娜娜
#>2B219。1.娜娜娜
#>3 C 3 17。17娜娜娜
#>4 A 4 15。2424NA-7。
#>5 B 5 16-1319NA 1。
#>6 C 6 12。1717NA 17。
#>7 A 7 12。27152424
#>8 B 8 16。151619.         -13
#>9 C 9 15。36121717
#> # ... 还有1个变量：值2\u lag2

data.table:：shift

将其矢量化，使其更简单。命名比实际滞后需要更多的工作：

库（data.table）
setDT（df）
df[，sapply（1:2，函数（x）{paste0（'values'，x'，'u lag'，1:2）}）：=shift（.SD，1:2），
by=cats，.SDcols=values1:values2][]
#>天数CAT值1值2值1\u lag1值1\u lag2值2\u lag1
#>1:1A 24-7NA NA
#>2:2b191na-NA-NA
#>3:3 C 17 NA NA NA
#>4:4 A 15 24 NA-7
#>5:5B16-1319NA 1
#>6:6C1217 NA 17
#>7:7 A 12 27 15 24
#>8:8B161619-13
#>9:9C15361717
#>值2_lag2
#>1:NA
#>2:NA
#>3:NA
#>4:NA
#>5:NA
#>6:NA
#> 7:           -7
#> 8:            1
#> 9:           17

在这些情况下，我依靠

dplyr

和

tidyr

的魔力：

library(dplyr)
library(tidyr)

set.seed(47)

# create data
s_data = data_frame(
  days = 1:9,
  cats = rep(c('A', 'B', 'C'), 3),
  values1 = round(rnorm(9, 16, 4)),
  values2 = round(rnorm(9, 16, 16))
)

max_lag = 2 # define max number of lags

# create lags
s_data %>% 
  gather(select = -c("days", "cats")) %>% # gather all variables that will be lagged
  mutate(n_lag = list(0:max_lag)) %>% # add list-column with lag numbers
  unnest() %>% # unnest the list column
  arrange(cats, key, n_lag, days) %>% # order the data.frame
  group_by(cats, key, n_lag) %>% # group by relevant variables
  # create lag. when grouped by vars above, n_lag is a constant vector, take 1st value
  mutate(lag_val = lag(value, n_lag[1])) %>% 
  ungroup() %>% 
  # create some fancy labels 
  mutate(var_name = ifelse(n_lag == 0, key, paste0("Lag", key, ".", n_lag))) %>% 
  select(-c(key, value, n_lag)) %>% # drop unnecesary data
  spread(var_name, lag_val) %>% # spread your newly created variables
  select(days, cats, starts_with("val"), starts_with("Lag")) # reorder

## # A tibble: 9 x 8
##    days cats  values1 values2 Lagvalues1.1 Lagvalues1.2 Lagvalues2.1 Lagvalues2.2
##   <int> <chr>   <dbl>   <dbl>        <dbl>        <dbl>        <dbl>        <dbl>
## 1     1 A         24.     -7.          NA           NA           NA           NA 
## 2     2 B         19.      1.          NA           NA           NA           NA 
## 3     3 C         17.     17.          NA           NA           NA           NA 
## 4     4 A         15.     24.          24.          NA           -7.          NA 
## 5     5 B         16.    -13.          19.          NA            1.          NA 
## 6     6 C         12.     17.          17.          NA           17.          NA 
## 7     7 A         12.     27.          15.          24.          24.          -7.
## 8     8 B         16.     15.          16.          19.         -13.           1.
## 9     9 C         15.     36.          12.          17.          17.          17.

库（dplyr）
图书馆（tidyr）
种子（47）
#创建数据
s_数据=数据_帧(
天数=1:9，
猫=代表（c（'A'，'B'，'c'），3），
值1=四舍五入（rnorm（9,16,4）），
值2=四舍五入（rnorm（9,16,16））
)
最大滞后=2#定义最大滞后数
#造成滞后
s_数据%>%
收集（选择=-c（“天”、“猫”））%>%#收集所有将滞后的变量
mutate（n_lag=list（0:max_lag））%>%#添加带有滞后编号的列表列
unest（）%>%#取消列表列的测试
安排（猫、键、n_滞后、天数）%>%#对数据框进行排序
分组依据（猫、键、n_滞后）%>%#分组依据相关变量
#造成滞后。当按上述变量分组时，n_lag是一个常量向量，取第一个值
突变（滞后值=滞后（值，n滞后[1]））%>%
解组（）%>%
#创建一些奇特的标签
变异（var_name=ifelse（n_lag==0，key，paste0（“lag”，key，“.”，n_lag）））%>%
选择（-c（键、值、n#lag））%>%#删除不必要的数据
排列（变量名，滞后值）%>%#排列新创建的变量
选择（天、猫、以（“val”）开头、以（“滞后”）开头）、重新排序
###tibble:9 x 8
##天数CAT值1值2滞后值1.1滞后值1.2滞后值2.1滞后值2.2
##                                          
##1 A 24-7.娜娜娜娜
##2 B 19。1.娜娜娜娜
##3 C 17。17娜娜娜娜
##4 A 15。2424NA-7。NA
##5 B 16-1319NA 1。NA
##6 C 12。1717NA 17。NA
##7 A 12。27152424.          -7.
##8 B 16。151619.         -131.
##9 C 15。3612171717

hey@alistaire太好了。但是你介意解释一下你在这里做了什么疯狂的魔法吗_

MultiMutate = function(data, variables, lags){
  # select the data to be working with
  FuncData = data
  # Loop through desired variables to mutate
  for (i in variables){
    # Loop through number of desired lags
    for (u in 1:lags){
      FuncData = FuncData %>% arrange(days) %>% group_by(cats) %>%
        # Mutate new variable for desired number of lags. Give new variable a name with the lag number appended
        mutate(paste(i, u) = lag(i, u))
    }
  }
  FuncData
}

library(dplyr)
library(tidyr)

set.seed(47)

# create data
s_data = data_frame(
  days = 1:9,
  cats = rep(c('A', 'B', 'C'), 3),
  values1 = round(rnorm(9, 16, 4)),
  values2 = round(rnorm(9, 16, 16))
)

max_lag = 2 # define max number of lags

# create lags
s_data %>% 
  gather(select = -c("days", "cats")) %>% # gather all variables that will be lagged
  mutate(n_lag = list(0:max_lag)) %>% # add list-column with lag numbers
  unnest() %>% # unnest the list column
  arrange(cats, key, n_lag, days) %>% # order the data.frame
  group_by(cats, key, n_lag) %>% # group by relevant variables
  # create lag. when grouped by vars above, n_lag is a constant vector, take 1st value
  mutate(lag_val = lag(value, n_lag[1])) %>% 
  ungroup() %>% 
  # create some fancy labels 
  mutate(var_name = ifelse(n_lag == 0, key, paste0("Lag", key, ".", n_lag))) %>% 
  select(-c(key, value, n_lag)) %>% # drop unnecesary data
  spread(var_name, lag_val) %>% # spread your newly created variables
  select(days, cats, starts_with("val"), starts_with("Lag")) # reorder

## # A tibble: 9 x 8
##    days cats  values1 values2 Lagvalues1.1 Lagvalues1.2 Lagvalues2.1 Lagvalues2.2
##   <int> <chr>   <dbl>   <dbl>        <dbl>        <dbl>        <dbl>        <dbl>
## 1     1 A         24.     -7.          NA           NA           NA           NA 
## 2     2 B         19.      1.          NA           NA           NA           NA 
## 3     3 C         17.     17.          NA           NA           NA           NA 
## 4     4 A         15.     24.          24.          NA           -7.          NA 
## 5     5 B         16.    -13.          19.          NA            1.          NA 
## 6     6 C         12.     17.          17.          NA           17.          NA 
## 7     7 A         12.     27.          15.          24.          24.          -7.
## 8     8 B         16.     15.          16.          19.         -13.           1.
## 9     9 C         15.     36.          12.          17.          17.          17.