r - 在 R 中进行条件运行总计的更有效方法

Question

由于这是我第一次提出关于 SO 的问题，对于任何不正确的格式，我提前道歉。

我对 R 非常陌生，我正在尝试创建一个函数，一旦另一列中的运行总计达到或超过给定值(运行总和开始的行)，该函数将返回数据框列的行值也是一个论点)。

例如，给定下面的数据框，如果给定一个起始参数x=3，终止参数y=17，函数应该返回5(y之和>=17所在行的x值) .

X   Y
1   5
2   10
3   5
4   10
5   5
6   10
7   5
8   10

我目前编写的函数返回正确答案，但我必须相信有一种更“R-ish”的方式来完成此任务，而不是使用循环和递增临时变量，并且希望学习正确的方法，而不是养成以后必须改正的坏习惯。

一个非常简化的函数版本:

myFunction<-function(DataFrame,StartRow,Total){
    df<-DataFrame[DataFrame[[1]] >= StartRow,]
    i<-0
    j<-0

    while (j < Total) {
        i<-i+1
        j<-sum(df[[2]][1:i])
    }

    x<-df[[1]][i]
    return(x)
}

Answer 1

到目前为止发布的所有解决方案都计算整个 Y 变量的累积和，这在数据框非常大但索引接近开头的情况下可能效率低下。在这种情况下，使用 Rcpp 的解决方案可能更有效:

library(Rcpp)
get_min_cum2 = cppFunction("
int gmc2(NumericVector X, NumericVector Y, int start, int total) {
    double running = 0.0;
    for (int idx=0; idx < Y.size(); ++idx) {
        if (X[idx] >= start) {
            running += Y[idx];
            if (running >= total) {
                return X[idx];
            }
        }
    }
    return -1;  // Running total never exceeds limit
}")

与微基准比较:

get_min_cum <- 
 function(start,total) 
   with(dat[dat$X>=start,],X[min(which(cumsum(Y)>total))])
get_min_dt <- function(start, total)
   dt[X >= start, X[cumsum(Y) >= total][1]]

set.seed(144)
dat = data.frame(X=1:1000000, Y=abs(rnorm(1000000)))
dt = data.table(dat)
get_min_cum(3, 17)
# [1] 29
get_min_dt(3, 17)
# [1] 29
get_min_cum2(dat$X, dat$Y, 3, 17)
# [1] 29

library(microbenchmark)
microbenchmark(get_min_cum(3, 17), get_min_dt(3, 17),
               get_min_cum2(dat$X, dat$Y, 3, 17))
# Unit: milliseconds
#                               expr        min         lq    median         uq      max neval
#                 get_min_cum(3, 17) 125.324976 170.052885 180.72279 193.986953 418.9554   100
#                  get_min_dt(3, 17) 100.990098 149.593250 162.24523 176.661079 399.7531   100
#  get_min_cum2(dat$X, dat$Y, 3, 17)   1.157059   1.646184   2.30323   4.628371 256.2487   100

在这种情况下，使用 Rcpp 解决方案的速度比其他方法快大约 100 倍。