web-dev-qa-db-ja.com

Rdata.tableスライディングウィンドウ

Data.tableパッケージでスライディングウィンドウ関数を実装するための最良の（最速の）方法は何ですか？

ローリング中央値を計算しようとしていますが、日付ごとに複数の行があります（2つの追加要因のため）。これは、Zoorollapply関数が機能しないことを意味すると思います。ナイーブなforループを使用した例を次に示します。

library(data.table)
df <- data.frame(
  id=30000,
  date=rep(as.IDate(as.IDate("2012-01-01")+0:29, Origin="1970-01-01"), each=1000),
  factor1=rep(1:5, each=200),
  factor2=1:5,
  value=rnorm(30, 100, 10)
)

dt = data.table(df)
setkeyv(dt, c("date", "factor1", "factor2"))

get_window <- function(date, factor1, factor2) {
  criteria <- data.table(
    date=as.IDate((date - 7):(date - 1), Origin="1970-01-01"),
    factor1=as.integer(factor1),
    factor2=as.integer(factor2)
  )
  return(dt[criteria][, value])
}

output <- data.table(unique(dt[, list(date, factor1, factor2)]))[, window_median:=as.numeric(NA)]

for(i in nrow(output):1) {
  print(i)
  output[i, window_median:=median(get_window(date, factor1, factor2))]
}
rtime-seriesdata.tablesliding-window
48
alan

data.table現在、ウィンドウをローリングするための特別な機能はありません。ここで別の同様の質問への私の答えでここにさらに詳細があります：

data.table内でローリング回帰を実行するためのfast方法はありますか？

ローリング中央値は興味深いものです。効率的に行うには特殊な関数が必要です（以前のコメントと同じリンク）：

Cでのローリング中央値アルゴリズム

data.tableここでの質問と回答の解決策はすべて、適切な特殊なrollingmedian関数（R afaikでは使用できません）に比べて非常に非効率的です。

9
Matt Dowle

ラグのあるデータセットを作成し、巨大な結合を行うことで、例を1.4秒まで下げることができました。

df <- data.frame(
  id=30000,
  date=rep(as.IDate(as.IDate("2012-01-01")+0:29, Origin="1970-01-01"), each=1000),
  factor1=rep(1:5, each=200),
  factor2=1:5,
  value=rnorm(30, 100, 10)
)

dt2 <- data.table(df)
setkeyv(dt, c("date", "factor1", "factor2"))

unique_set <-  data.table(unique(dt[, list(original_date=date, factor1, factor2)]))
output2 <- data.table()
for(i in 1:7) {
  output2 <- rbind(output2, unique_set[, date:=original_date-i])
}    

setkeyv(output2, c("date", "factor1", "factor2"))
output2 <- output2[dt]
output2 <- output2[, median(value), by=c("original_date", "factor1", "factor2")]

これはこのテストデータセットではかなりうまく機能しますが、私の実際のデータセットでは8GBのRAMで失敗します。 High Memory EC2インスタンス（17、34、または68GB RAMを搭載）の1つに移動して、動作させるようにします。メモリをあまり消費しない方法でこれを行う方法についてのアイデアをいただければ幸いです。

4
alan

このソリューションは機能しますが、時間がかかります。

df <- data.frame(
  id=30000,
  date=rep(seq.Date(from=as.Date("2012-01-01"),to=as.Date("2012-01-30"),by="d"),each=1000),
  factor1=rep(1:5, each=200),
  factor2=1:5,
  value=rnorm(30, 100, 10)
)

myFun <- function(dff,df){
    median(df$value[df$date>as.Date(dff[2])-8 & df$date<as.Date(dff[2])-1 & df$factor1==dff[3] & df$factor2==dff[4]])
}

week_Med <- apply(df,1,myFun,df=df)

week_Med_df <- cbind(df,week_Med)
0
Alan