在data.table文件中创建一个更有效的循环

Question

我想用循环子集当前的data.table。这个过程非常缓慢。这是子集化之前的数据示例。

#  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 

我想基于变量“类型”的数据子集。我只想保留所有行（​​），并且只有在后面跟着（data$type="C"）行时，我也需要两行（data$type =="A"）和（data$type =="B"）。子集后，数据应该是这样的：

#  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"），那么该行需要保留。行＃1，＃2，＃9，＃10也被保留，因为它们之后是"type==C"行。

我现在正在使用一个循环来完成它，但它非常缓慢。

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"),] 

此代码工作正常，但速度太慢。请给我一些想法来提高效率，但做同样的工作。

谢谢你这么多

Answer 1

这种情况下不需要for -loop。随着使用的data.table的shift功能全，你可以子集数据如下（假设A和B总是在呈现顺序）：

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

这给：

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，以获得具有“C”的行的索引。然后包括索引1和2的数字比找到的少。

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 

，但你也希望包括行1，2，7和8 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将删除重复并且排序将按顺序设置所有索引。

注：我假设没有像CAC或CBC这样的序列。这也将包括像BACC这样的序列（不检查A和B的顺序）。