在 data.table 文件中进行更有效的循环

Question

我正在尝试使用循环对当前 data.table 进行子集化。这个过程非常缓慢。这是子集之前的数据样本。

 #      V1  V2     V3     type
 #1:    1 362.25 361.75    A
 #2:    1 362.25 361.75    B
 #3:    3 362.25 361.75    C
 #4:    4 362.75 362.00    C
 #5:    8 362.50 362.00    A
 #6:    6 362.50 362.00    B
 #7:   12 362.50 362.89    A
 #8:    8 362.25 362.05    B
 #9:    9 362.25 362.00    A
 #10:  17 362.25 362.20    B
 #11:  29 362.25 362.90    C
 #12:  41 362.25 362.40    C
 #13:  99 362.25 362.10    C
 #14:  81 362.25 362.00    C

我想根据变量“类型”对数据进行子集化。我只想保留 (data$type =="c") 的所有行，我还需要 (data$type =="A") 和 (data$type =="B") 的两行，前提是它们后面跟着 (data$type="C") 行。子集后，数据应如下所示：

 #      V1  V2     V3     type
 #1:    1 362.25 361.75    A
 #2:    1 362.25 361.75    B
 #3:    3 362.25 361.75    C
 #4:    4 362.75 362.00    C
 #9:    9 362.25 362.00    A
 #10:  17 362.25 362.20    B
 #11:  29 362.25 362.90    C
 #12:  41 362.25 362.40    C
 #13:  99 362.25 362.10    C
 #14:  81 362.25 362.00    C

如果 (data$type == "C") 则需要保留该行。 #1,#2,#9,#10 行也被保留，因为它们后面跟着"type==C" 行。

我现在正在使用循环来执行此操作，但它非常慢。

    data$temp<-"omit"
  for (j in 3:nrow(data)){
    if (data$type[j] == "C" && data$type[j-1] == "B"
        &&  data$type[j-2] == "A" )
    {
      data$temp[j] <- "pair" ; data$temp[j-1] <- "pair"; data$temp[j-2] <- "pair"
    }
  }



  for (j in 2:nrow(data)){
    if (data$type[j-1] == "C" && data$type[j] == "C"
        && data$temp[j-1] == "pair" && data$temp[j]== "omit")
    {
      nearby$temp[j] <- "pair"
    }
  }  

data<-data[!(data$temp=="omit"),]

这段代码运行良好，但是太慢了。请给我一些提高效率但做同样工作的想法。

非常感谢

Answer 1

在这种情况下不需要for-loop。使用data.table 的shift 函数，您可以按如下方式对数据进行子集化（假设A 和B 始终按呈现的顺序排列）：

DT[type=='C' | (type=='A' & shift(type, 2, NA, 'lead')=='C') | (type=='B' & shift(type, 1, NA, 'lead')=='C')]

给出：

    V1     V2     V3 type
 1:  1 362.25 361.75    A
 2:  1 362.25 361.75    B
 3:  3 362.25 361.75    C
 4:  4 362.75 362.00    C
 5:  9 362.25 362.00    A
 6: 17 362.25 362.20    B
 7: 29 362.25 362.90    C
 8: 41 362.25 362.40    C
 9: 99 362.25 362.10    C
10: 81 362.25 362.00    C

Answer 2

您可以使用which 来获取具有“C”的行的索引。然后包括索引 1 和 2 的数字小于找到的数字。

例如：

df = data.frame(d = c(1,2,3,4,5,6,7,8,9,0),t = c("A","B","C","C","A","B","A","B","C","C"))
> df
   d t
1  1 A
2  2 B
3  3 C
4  4 C
5  5 A
6  6 B
7  7 A
8  8 B
9  9 C
10 0 C

c(which(df$t=="C") 将返回：

[1]  3  4  9 10

但您还希望包含第 1、2、7 和 8 行。 然后做：

df[sort(unique(c(which(df$t=="C"),which(df$t=="C")-1,which(df$t=="C")-2))),]

   d t
1  1 A
2  2 B
3  3 C
4  4 C
7  7 A
8  8 B
9  9 C
10 0 C

sort 和 unique 将删除重复，排序将按顺序设置所有索引。

注意：我假设没有像 CAC 或 CBC 这样的序列。这还将包括 BACC 之类的序列（不检查 A 和 B 的顺序）。