R:在非常大的数据帧上加速for循环?

Question

我有一大组坐标和相关的Z值。某些坐标对使用不同的 Z 值重复多次。我想获取每对唯一坐标的所有 Z 值的平均值。

我写了一小行代码，在一个小数据帧上工作得很好。问题是我的实际数据框有超过 200 万行，计算需要>10 小时才能完成。我想知道是否有一种方法可以提高效率并减少计算时间。

这是我的 df 的样子：

> df
x        y         Z                                 xy
1  -54.60417 4.845833 0.3272980 -54.6041666666667/4.84583333333333
2  -54.59583 4.845833 0.4401644 -54.5958333333333/4.84583333333333
3  -54.58750 4.845833 0.5788663          -54.5875/4.84583333333333
4  -54.57917 4.845833 0.6611844 -54.5791666666667/4.84583333333333
5  -54.57083 4.845833 0.7830828 -54.5708333333333/4.84583333333333
6  -54.56250 4.845833 0.8340629          -54.5625/4.84583333333333
7  -54.55417 4.845833 0.8373666 -54.5541666666667/4.84583333333333
8  -54.54583 4.845833 0.8290986 -54.5458333333333/4.84583333333333
9  -54.57917 4.845833 0.9535526 -54.5791666666667/4.84583333333333
10 -54.59583 4.837500 0.0000000           -54.5958333333333/4.8375
11 -54.58750 4.845833 0.8582580          -54.5875/4.84583333333333
12 -54.58750 4.845833 0.3857006          -54.5875/4.84583333333333

您可以看到某些 xy 坐标是相同的(例如第 3、11、12 或 4 和 9 行(，我想要所有这些相同坐标的平均 Z 值。所以这是我的脚本：

mean<-vector(mode = "numeric",length = length(df$x))
for (i in 1:length(df$x)){
mean(df$Z[which(df$xy==df$xy[i])])->mean[i]
} 
mean->df$mean
df<-df[,-(3:4)]
df<-unique(df)

我得到这样的东西：

> df
x        y      mean
1  -54.60417 4.845833 0.3272980
2  -54.59583 4.845833 0.4401644
3  -54.58750 4.845833 0.6076083
4  -54.57917 4.845833 0.8073685
5  -54.57083 4.845833 0.7830828
6  -54.56250 4.845833 0.8340629
7  -54.55417 4.845833 0.8373666
8  -54.54583 4.845833 0.8290986
10 -54.59583 4.837500 0.0000000

这确实有效，但肯定有一种方法可以加快具有更多行数的 df 的此过程(可能没有 for 循环(？

Answer 1

欢迎！将来，最好为我们提供一种快速的方法来复制和粘贴一些代码，以生成您正在使用的数据集的基本功能。我认为这是一个例子：

DF <- data.frame(x = sample(c(-54.1, -54.2), size = 10, replace = TRUE),
y = sample(c(4.8, 4.4), size = 10, replace = TRUE),
z = runif(10))

这看起来只是一种拆分应用组合方法：

set.seed(1)
df <- data.frame(x = sample(c(-54.1, -54.2), size = 10, replace = TRUE),
y = sample(c(4.8, 4.4), size = 10, replace = TRUE),
z = runif(10))
library(data.table)
DT <- as.data.table(df)
DT[, .(mean_z = mean(z)), keyby = c("x", "y")]
#>        x   y    mean_z
#> 1: -54.2 4.4 0.3491507
#> 2: -54.2 4.8 0.4604533
#> 3: -54.1 4.4 0.3037848
#> 4: -54.1 4.8 0.5734239
library(dplyr)
#> 
#> Attaching package: 'dplyr'
#> The following objects are masked from 'package:data.table':
#> 
#>     between, first, last
#> The following objects are masked from 'package:stats':
#> 
#>     filter, lag
#> The following objects are masked from 'package:base':
#> 
#>     intersect, setdiff, setequal, union
df %>%
group_by(x, y) %>%
summarise(mean_z = mean(z))
#> # A tibble: 4 x 3
#> # Groups:   x [?]
#>       x     y mean_z
#>   <dbl> <dbl>  <dbl>
#> 1 -54.2   4.4  0.349
#> 2 -54.2   4.8  0.460
#> 3 -54.1   4.4  0.304
#> 4 -54.1   4.8  0.573

^{创建于 2018-09-21 由 reprex 软件包 (v0.2.1(}

Answer 2

你可以试试dplyr::summarise。

library(dplyr)
df %>%
group_by(x, y) %>%
summarise(meanZ = mean(Z))

我猜这将花费不到一分钟的时间，具体取决于您的机器。

其他人可能会提供data.table答案，这可能会更快。