如何通过在 R 中使用循环有效地进行子集化？

Question

我有一个名为 "table_parameter" 的 csv 文件。 Please, download from here. 数据如下所示：

           time        avg.PM10            sill       range         nugget
    1   2012030101  52.2692307692308    0.11054330  45574.072   0.0372612157
    2   2012030102  55.3142857142857    0.20250974  87306.391   0.0483153769
    3   2012030103  56.0380952380952    0.17711558  56806.827   0.0349567088
    4   2012030104  55.9047619047619    0.16466350  104767.669  0.0307528346
    .
    .
    .
    25  2012030201  67.1047619047619    0.14349774  72755.326   0.0300378129
    26  2012030202  71.6571428571429    0.11373430  72755.326   0.0320594776
    27  2012030203  73.352380952381 0.13893530  72755.326   0.0311135434
    28  2012030204  70.2095238095238    0.12642303  29594.037   0.0281416079
    .
    .

在我的数据框中有一个名为 time 的变量，包含从 2012 年 3 月 1 日到 2012 年 3 月 7 日的小时值，以数字形式表示。例如 2012 年 3 月 1 日，1.00 a.m。写成2012030101等等。

从这个数据集中，我想要像下面的 table 这样的子集 (24*11) 数据帧：

例如，对于凌晨 1 点 (2012030101,2012030201....2012030701) 和 avg.PM10<10，我想要 1 个数据帧。在这种情况下，您可能发现对于某些数据框，将没有观察结果。不过没关系，因为我会处理非常大的数据集。

我可以通过像这样编写 (24*11)240 行代码来手动完成此子集化！

table_par<-read.csv("table_parameter.csv")
times<-as.numeric(substr(table_par$time,9,10))

par_1am_0to10 <-subset(table_par,times ==1 & avg.PM10<=10)
par_1am_10to20 <-subset(table_par,times ==1 & avg.PM10>10 & avg.PM10<=20)
par_1am_20to30 <-subset(table_par,times ==1 & avg.PM10>20 & avg.PM10<=30)
.
.
.
par_24pm_80to90 <-subset(table_par,times ==24 & avg.PM10>80 & avg.PM10<=90)
par_24pm_90to100 <-subset(table_par,times==24 & avg.PM10>90 & avg.PM10<=100)
par_24pm_100up <-subset(table_par,times  ==24 & avg.PM10>100)

但我知道这段代码效率很低。有什么方法可以通过循环高效地做到这一点？

仅供参考：实际上，在未来，通过使用这些 (24*11) 数据集，我想绘制一些图。

更新：在此子集之后，我想使用每个数据集的 range 绘制箱线图。但问题是，我想在一个图中像矩阵一样显示 range 的所有箱线图 (24*11)[如上图]！如果您有任何进一步的查询，请告诉我。提前致谢。

Answer 1

像这样的双循环怎么样：

table_par<-read.csv("table_parameter.csv")
times<-as.numeric(substr(table_par$time,9,10))

#create empty dataframe for output
sub.df <- data.frame(name=NA, X=NA, time=NA,Avg.PM10=NA,sill=NA,range=NA,nugget=NA)[numeric(0), ]

t_list=seq(1,24,1)
PM_list=seq(0,100,10)

for (t in t_list){
  #t=t_list[1]
  for (PM in PM_list){
    #PM=PM_list[4]
    PM2=PM+10
    sub <-subset(table_par,times ==t & Avg.PM10>PM & Avg.PM10<=PM2)
    if (length(sub$X)!=0) {    #to avoid errors because of empty sub
      name = paste("par_",t,"am_",PM,"to",PM2 , sep="")
      sub$name = name
      sub.df  <- rbind(sub.df , sub) }
  }  
}

sub.df #print data frame

Answer 2

您可以使用一些 plyr、dplyr 和 tidyr 魔法来做到这一点：

library(tidyr)
library(dplyr)
# I am not loading plyr there because it interferes with dplyr, I just want it for the round_any function anyway

# Read data
dfData <- read.csv("table_parameter.csv")

dfData %>% 
  # Extract hour and compute the rounded Avg.PM10 using round_any
  mutate(hour = as.numeric(substr(time, 9, 10)),
         roundedPM.10 = plyr::round_any(Avg.PM10, 10, floor),
         roundedPM.10 = ifelse(roundedPM.10 > 100, 100,roundedPM.10)) %>% 
  # Keep only the relevant columns
  select(hour, roundedPM.10) %>% 
  # Count the number of occurences per hour
  count(roundedPM.10, hour) %>% 
  # Use spread (from tidyr) to transform it into wide format
  spread(hour, n)

如果你打算使用 ggplot2，你可以忘记 tidyr 和代码的最后一行，以保持数据帧的长格式，这样绘图会更容易。

编辑：阅读您的评论后，我意识到我误解了您的问题。这将为您提供每几个小时和 AVG.PM10 间隔的箱线图：

library(tidyr)
library(dplyr)
library(ggplot2)
# I am not loading plyr there because it interferes with dplyr, I just want it 
# for the round_any function anyway

# Read data
dfData <- read.csv("C:/Users/pformont/Desktop/table_parameter.csv")

dfDataPlot <- dfData %>% 
  # Extract hour and compute the rounded Avg.PM10 using round_any
  mutate(hour = as.numeric(substr(time, 9, 10)),
         roundedPM.10 = plyr::round_any(Avg.PM10, 10, floor),
         roundedPM.10 = ifelse(roundedPM.10 > 100, 100,roundedPM.10)) %>% 
  # Keep only the relevant columns
  select(roundedPM.10, hour, range)

# Plot range as a function of hour (as a factor to have separate plots)
# and facet it according to roundedPM.10 on the y axis
ggplot(dfDataPlot, aes(factor(hour), range)) + 
  geom_boxplot() + 
  facet_grid(roundedPM.10~.)

如何通过在 R 中使用循环有效地进行子集化？

How to subsetting efficiently by using loop in R?

loops

r

subset