如何使用 dplyr 在 R 中“级联”计算值

Question

假设我有一个看起来像这样的data_frame：

dput(df)
structure(list(Name = c("John Smith", "John Smith", "John Smith", 
"John Smith", "John Smith"), Account_Number = c("XXXX XXXX 0000", 
"XXXX XXXX 0000", "XXXX XXXX 0000", "XXXX XXXX 0000", "XXXX XXXX 0000"
), Transaction_Date = c("04/01/16", "04/02/16", "04/03/16", "04/04/16", 
"04/05/16"), Amount = c(NA, 749, -256, 392, NA), Balance = c(2000, 
NA, NA, NA, 1500)), .Names = c("Name", "Account_Number", "Transaction_Date", 
"Amount", "Balance"), row.names = c(NA, 5L), class = c("tbl_df", 
"tbl", "data.frame"))

为了便于查看问题，这里打印出来：

#        Name Account_Number Transaction_Date Amount Balance
#       (chr)          (chr)            (chr)  (dbl)   (dbl)
#1 John Smith XXXX XXXX 0000         04/01/16     NA    2000
#2 John Smith XXXX XXXX 0000         04/02/16    749      NA
#3 John Smith XXXX XXXX 0000         04/03/16   -256      NA
#4 John Smith XXXX XXXX 0000         04/04/16    392      NA
#5 John Smith XXXX XXXX 0000         04/05/16     NA    1500

我想做的是用Balance[i-1] + Amount[i] 的总和填写Balance 中的NA 值。我想我可以使用 dplyr 轻松做到这一点，使用以下方法：

library(lubridate)
library(dplyr)
df %>%
  arrange(mdy(Transaction_Date)) %>%
  mutate(Balance = ifelse(is.na(Balance), as.numeric(lag(Balance)) + as.numeric(Amount), Balance))

不幸的是，这给了我以下信息：

#        Name Account_Number Transaction_Date Amount Balance
#       (chr)          (chr)            (chr)  (dbl)   (dbl)
#1 John Smith XXXX XXXX 0000         04/01/16     NA    2000
#2 John Smith XXXX XXXX 0000         04/02/16    749    2749
#3 John Smith XXXX XXXX 0000         04/03/16   -256      NA
#4 John Smith XXXX XXXX 0000         04/04/16    392      NA
#5 John Smith XXXX XXXX 0000         04/05/16     NA    1500

因此，似乎所有值都是同时计算的，而我想要的是逐行计算。

期望的结果如下所示：

#        Name Account_Number Transaction_Date Amount Balance
#       (chr)          (chr)            (chr)  (dbl)   (dbl)
#1 John Smith XXXX XXXX 0000         04/01/16     NA    2000
#2 John Smith XXXX XXXX 0000         04/02/16    749    2749
#3 John Smith XXXX XXXX 0000         04/03/16   -256    2493
#4 John Smith XXXX XXXX 0000         04/04/16    392    2885
#5 John Smith XXXX XXXX 0000         04/05/16     NA    1500

我相信我可以使用apply，但如果可能的话，我更愿意将其保留在dplyr 管道中。提前感谢您的任何提示。

更新：

基于this question，看起来我可以使用RcppRoll::roll_sum，但该函数看起来只需要一个变量，而我需要使用两个。所以我也接受一个演示如何使用该功能的答案。

Answer 1

编辑：警告！

此处介绍的原始方法无法正确处理重置Balance，您将看到是否通过df %>% bind_rows(df)。我只是把它留在这里，因为它是公认的答案。请参阅下面的更新方法来避免该问题。

---

原来的[错误]方法

您实际上是在累积总和，但在这里使用 cumsum 有点痛苦，因为它没有 na.rm 参数。但是，您可以删除并重新插入 NA 值：

# replace NAs with 0s so cumsum will work
df %>% mutate_each(funs(ifelse(is.na(.), 0, .)), Balance, Amount) %>% 
    # replace 0 values in Balance with cumsum of Balance and Amount
    mutate(Balance = ifelse(Balance == 0, cumsum(Balance + Amount), Balance)) %>% 
    # put NAs back
    mutate(Amount = ifelse(Amount == 0, NA, Amount))

# Source: local data frame [5 x 5]
# 
#         Name Account_Number Transaction_Date Amount Balance
#        (chr)          (chr)            (chr)  (dbl)   (dbl)
# 1 John Smith XXXX XXXX 0000         04/01/16     NA    2000
# 2 John Smith XXXX XXXX 0000         04/02/16    749    2749
# 3 John Smith XXXX XXXX 0000         04/03/16   -256    2493
# 4 John Smith XXXX XXXX 0000         04/04/16    392    2885
# 5 John Smith XXXX XXXX 0000         04/05/16     NA    1500

请注意，如果您在 Balance 或 Amount 中有实际的 0 值（或者如果可能的话），您可能需要使该方法更加稳健。

---

新的[功能]方法

通过按Amount 为NA 时的运行长度进行分组，我们可以确保添加正确的累积和，而不是在重置Balance 之前添加Amount 值：

# pass it a bigger df to test
df %>% bind_rows(df) %>% 
    # replace NAs with last value
    tidyr::fill(Balance) %>% 
    # group so cumsums are not added after Balance reset
    group_by(NA_Amount = is.na(Amount), 
             rle_Amount = data.table::rleid(NA_Amount)) %>%
    mutate(Balance = ifelse(NA_Amount, Balance, Balance + cumsum(Amount))) %>%
    # clean up columns
    ungroup() %>% select(-NA_Amount, -rle_Amount)

# Source: local data frame [10 x 5]
# 
#          Name Account_Number Transaction_Date Amount Balance
#         (chr)          (chr)            (chr)  (dbl)   (dbl)
# 1  John Smith XXXX XXXX 0000         04/01/16     NA    2000
# 2  John Smith XXXX XXXX 0000         04/02/16    749    2749
# 3  John Smith XXXX XXXX 0000         04/03/16   -256    2493
# 4  John Smith XXXX XXXX 0000         04/04/16    392    2885
# 5  John Smith XXXX XXXX 0000         04/05/16     NA    1500
# 6  John Smith XXXX XXXX 0000         04/01/16     NA    2000
# 7  John Smith XXXX XXXX 0000         04/02/16    749    2749
# 8  John Smith XXXX XXXX 0000         04/03/16   -256    2493
# 9  John Smith XXXX XXXX 0000         04/04/16    392    2885
# 10 John Smith XXXX XXXX 0000         04/05/16     NA    1500

Answer 2

library(data.table)

setDT(df)[, Balance := c(Balance[1], Balance[1] + cumsum(Amount[-1]))
          , by = cumsum(!is.na(Balance))][]
#         Name Account_Number Transaction_Date Amount Balance
#1: John Smith XXXX XXXX 0000         04/01/16     NA    2000
#2: John Smith XXXX XXXX 0000         04/02/16    749    2749
#3: John Smith XXXX XXXX 0000         04/03/16   -256    2493
#4: John Smith XXXX XXXX 0000         04/04/16    392    2885
#5: John Smith XXXX XXXX 0000         04/05/16     NA    1500