Split-Apply-Combine

Масштабируемая обработка данных в R

Michael Kane

Assistant Professor, Yale University

Split-Apply-Combine

Разделение: split()
Применение: Map()
Объединение: Reduce()

Разбиение с помощью split()

Функция split() разбивает данные на части

Первый аргумент — вектор или data.frame для разбиения
Второй аргумент — factor или integer, значения которого задают разбиение

# Get the rows corresponding to each of the years in the mortgage data
 year_splits <- split(1:nrow(mort), mort[,"year"])
# year_splits is a list
class(year_splits)

"list"

# The years that we've split over
names(year_splits)

"2008" "2009" "2010" "2011" "2012" "2013" "2014" "2015"

# The first few rows corresponding to the year 2010
year_splits[["2010"]][1:10]

1  6  7 10 21 23 24 27 29 38

Вычисления с помощью Map()

Функция Map() обрабатывает каждую часть

Первый аргумент — функция, применяемая к каждой части
Второй аргумент — сами части

Вычисления с помощью Map()

col_missing_count <- function(mort) {
   apply(mort, 2, function(x) sum(x == 9))} 
# For each of the years count the number of missing values for 
# all columns
missing_by_year <- Map(
   function(x) col_missing_count(mort[x, ]),
   year_splits)

missing_by_year[["2008"]]

enterprise         record_number                   msa 
        0                    12                     0 
# ...

Объединение с помощью Reduce()

Функция Reduce() объединяет результаты по всем частям

Первый аргумент — функция для объединения
Второй аргумент — разбитые данные

# Calculate the total missing values by column
Reduce(`+`, missing_by_year)

enterprise         record_number                   msa 
         0                    64                     0

# ... 
# Label the rownames with the year
mby <- Reduce(rbind, missing_by_year)
row.names(mby) <- names(year_splits)
mby[1:3, 1:3]

     enterprise record_number msa
2008          0            12   0
2009          0             8   0
2010          0            10   0

Давайте потренируемся!

Масштабируемая обработка данных в R