以下是我的dataframe/data.table的样子。rank
列是我所需的计算字段。
library(data.table)
df <- fread('
Name Score Date Rank
John 42 1/1/2018 3
Rob 85 12/31/2017 2
Rob 89 12/26/2017 1
Rob 57 12/24/2017 1
Rob 53 08/31/2017 1
Rob 72 05/31/2017 2
Kate 87 12/25/2017 1
Kate 73 05/15/2017 1
')
df[,Date:= as.Date(Date, format="%m/%d/%Y")]
我正在尝试计算每个学生在 30 天窗口内数据中每个给定时间点的排名。为此,我需要获取给定时间点所有学生的最新分数,然后传递排名函数。
在第 1 行中,截至1/1/2018
年,John
在过去 30 天窗口中还有两个竞争对手:Rob 在12/31/2017
中的最新得分为85
,凯特在12/25/2017
中的最新得分为87
,这两个日期都在1/1/2018 - 30
日窗口内。约翰获得3
分最低的42
分。如果只有一个学生在date(at a given row) - 30 day window
范围内,则排名为1。
在第 3 行中,日期是12/26/2017
。所以罗布截至12/26/2017
的得分是89
。只有一个学生的案例落在12/26/2017 - 30
天的时间窗口内,那就是凯特在12/25/2017
上的最新分数(87
)。所以在(12/26/2017) - 30
的时间窗口内,罗伯的89
分高于凯特的87
分,因此罗伯的排名1
。
我正在考虑从这里使用框架 在过去的 365 天窗口中执行运行总计的有效方法,但在使用排名之前,很难想出一种方法来获取给定时间点所有学生的所有最近分数。
这似乎有效:
ranks = df[.(d_dn = Date - 30L, d_up = Date), on=.(Date >= d_dn, Date <= d_up), allow.cart=TRUE][,
.(LatestScore = last(Score)), by=.(Date = Date.1, Name)]
setorder(ranks, Date, -LatestScore)
ranks[, r := rowid(Date)]
df[ranks, on=.(Name, Date), r := i.r]
Name Score Date Rank r
1: John 42 2018-01-01 3 3
2: Rob 85 2017-12-31 2 2
3: Rob 89 2017-12-26 1 1
4: Rob 57 2017-12-24 1 1
5: Rob 53 2017-08-31 1 1
6: Rob 72 2017-05-31 2 2
7: Kate 87 2017-12-25 1 1
8: Kate 73 2017-05-15 1 1
。使用last
,因为笛卡尔连接似乎可以排序,我们想要最新的测量值。
更新联接的工作原理
i.
前缀表示它是x[i, ...]
联接中i
的列,并且分配:=
始终处于x
中。因此,它会查找x
中的每一行i
以及找到匹配项的位置,将值从i
复制到x
。
另一种有时有用的方法是在i
中查找x
行,类似于df[, r := ranks[df, on=.(Name,Date), x.r]]
在这种情况下,x.r
仍然来自ranks
表(现在相对于连接处于x
位置)。
还有...
ranks = df[CJ(Name = Name, Date = Date, unique=TRUE), on=.(Name, Date), roll=30, nomatch=0]
setnames(ranks, "Score", "LatestScore")
# and then use the same last three lines above
我不确定一个与另一个的效率,但我想这取决于名称的数量、测量频率以及测量日重合的频率。
使用data.table
但不确定它是否是最有效的用法的解决方案:
df[.(iName=Name, iScore=Score, iDate=Date, StartDate=Date-30, EndDate=Date),
.(Rank=frank(-c(iScore[1L], .SD[Name != iName, max(Score), by=.(Name)]$V1),
ties.method="first")[1L]),
by=.EACHI,
on=.(Date >= StartDate, Date <= EndDate)]
解释:
1) 外部方括号在日期范围内(即 30 天前和每行的最新日期)进行非等值连接。尝试根据输入数据研究以下输出:
df[.(iName=Name, iScore=Score, iDate=Date, StartDate=Date-30, EndDate=Date),
c(.(RowGroup=.GRP),
.SD[, .(Name, Score, Date, OrigDate, iName, iScore, iDate, StartDate, EndDate)]),
by=.EACHI,
on=.(Date >= StartDate, Date <= EndDate)]
2).EACHI
是对每一行i
进行j
计算。
3)在j
,iScore[1L]
是当前行的分数,.SD[Name != iName]
表示取与当前行中学生不对应的分数。然后,我们在 30 天内为这些学生的每个学生使用max(Score)
。
4)连接所有这些分数并计算当前行分数的排名,同时通过采取第一个平局来处理平局。
注意:
请参阅?data.table
以了解i
、j
、by
、on
和.EACHI
所指的内容。
OP评论后编辑:
我会添加一个 OrigDate 列并找到与最新日期匹配的列。
df[, OrigDate := Date]
df[.(iName=Name, iScore=Score, iDate=Date, StartDate=Date-30, EndDate=Date),
.(Name=iName, Score=iScore, Date=iDate,
Rank=frank(-c(iScore[1L],
.SD[Name != iName, Score[OrigDate==max(OrigDate)], by=.(Name)]$V1),
ties.method="first")[1L]),
by=.EACHI,
on=.(Date >= StartDate, Date <= EndDate)]
我想出了以下部分解决方案,但是遇到了问题 - 是否有可能有两个人在同一日期发生?
如果没有,请查看以下代码段:
library(tidyverse) # easy manipulation
library(lubridate) # time handling
# This function can be added to
get_top <- function(df, date_sel) {
temp <- df %>%
filter(Date > date_sel - months(1)) %>% # look one month in the past from given date
group_by(Name) %>% # and for each occuring name
summarise(max_score = max(Score)) %>% # find the maximal score
arrange(desc(max_score)) %>% # sort them
mutate(Rank = 1:n()) # and rank them
temp
}
现在,您必须在表中找到给定日期的名称并返回其排名。
library(data.table)
library(magrittr)
setorder(df, -Date)
fun <- function(i){
df[i:nrow(df), head(.SD, 1), by = Name] %$%
rank(-Score[Date > df$Date[i] - 30])[1]
}
df[, rank := sapply(1:.N, fun)]
这可以通过联df
那些比它晚 30 天或同一日期且分数更高或相等的df
行来完成。 然后,对于每个原始行和联接行名称,获取最新的联接行名称。 每个原始df
行的剩余联接行数是排名。
library(sqldf)
sqldf("with X as
(select a.rowid r, a.*, max(b.Date) Date
from df a join df b
on b.Date between a.Date - 30 and a.Date and b.Score >= a.Score
group by a.rowid, b.Name)
select Name, Date, Score, count(*) Rank
from X
group by r
order by r")
给:
Name Date Score Rank
1 John 2018-01-01 42 3
2 Rob 2017-12-31 85 2
3 Rob 2017-12-26 89 1
4 Rob 2017-12-24 57 1
5 Rob 2017-08-31 53 1
6 Rob 2017-05-31 72 2
7 Kate 2017-12-25 87 1
8 Kate 2017-05-15 73 1
tidyverse
解决方案(dplyr
+tidyr
):
df %>%
complete(Name,Date) %>%
group_by(Name) %>%
mutate(last_score_date = `is.na<-`(Date,is.na(Score))) %>%
fill(Score,last_score_date) %>%
filter(!is.na(Score) & Date-last_score_date <30) %>%
group_by(Date) %>%
mutate(Rank = rank(-Score)) %>%
right_join(df)
# # A tibble: 8 x 5
# # Groups: Date [?]
# Name Date Score last_score_date Rank
# <chr> <date> <int> <date> <dbl>
# 1 John 2018-01-01 42 2018-01-01 3
# 2 Rob 2017-12-31 85 2017-12-31 2
# 3 Rob 2017-12-26 89 2017-12-26 1
# 4 Rob 2017-12-24 57 2017-12-24 1
# 5 Rob 2017-08-31 53 2017-08-31 1
# 6 Rob 2017-05-31 72 2017-05-31 2
# 7 Kate 2017-12-25 87 2017-12-25 1
# 8 Kate 2017-05-15 73 2017-05-15 1
- 我们添加了所有缺少的
Date
和Name
组合 - 然后我们为
last_score_date
创建一个列,当分数不是 NA 时等于Date
。 - 通过填充 NA 下来 分数已成为最新分数
- 我们过滤掉 NA,只保留年龄<30 天的分数
- 这是我们按日期划分的有效分数表
- 从那里很容易添加等级
- 原始表上的最终right_join为我们提供了预期的输出
数据
library(data.table)
df <- fread('
Name Score Date
John 42 01/01/2018
Rob 85 12/31/2017
Rob 89 12/26/2017
Rob 57 12/24/2017
Rob 53 08/31/2017
Rob 72 05/31/2017
Kate 87 12/25/2017
Kate 73 05/15/2017
')
df[,Date:= as.Date(Date, format="%m/%d/%Y")]