Data.table: 롤링 함수, 롤링 집계, 슬라이딩 윈도우, 이동 평균

제안된 rollmean 구현, 단순화.

x = data.table(v1=1:5, v2=1:5)
k = c(2, 3)

i - single column
j - single window
m - int referring to single row
w - current row's sum of rolling window
r - answer for each i, j



md5-be70673ef4a3bb883d4f334bd8fadec9



for i in x
  for j in k
  r = NA_real_
  w = 0
    for m in 1:length(i)
      w = w + i[m]
      w = w - i[m-j]
      r[m] = w / j

예, 더 많은 롤링 기능이 동일한 기본 아이디어를 따릅니다(
롤링 표준 편차/기대 기반 모멘트 및 모든 함수
+ 대신 반전 가능한 *를 사용하여 내에서 집계하는 롤 제품과 같은
창

저는 항상 롤링 창 기능을 데이터 세트를 여러 개의 겹치는 그룹(창)으로 그룹화 하는 것으로 생각했습니다. 그러면 API는 다음과 같이 보일 것입니다.

DT[i, j,
   by = roll(width=5, align="center")]

그런 다음 j 에 mean(A) 가 포함되어 있으면 내부적으로 rollmean(A) 바꿀 수 있습니다. 바로 지금 gmean() 로 하는 것과 같습니다. 또는 j 는 임의로 복잡한 기능을 포함할 수 있습니다(예: 각 창에 대해 회귀 실행). 이 경우 .SD data.table을 제공합니다. -- 정확히는 그룹과 동일합니다. 지금 바로.

이렇게 하면 10개 이상의 새로운 기능을 도입할 필요가 없습니다. 그리고 data.table-y의 정신도 느껴집니다.

네 동의합니다

2018년 4월 21일 토요일 오후 3:38 Pasha Stetsenko [email protected]
썼다:

나는 항상 롤링 창 기능을 그룹화 하는 것으로 상상했습니다.
데이터 세트를 여러 겹치는 그룹(창)으로 만듭니다. 그러면 API가 보일 것입니다.
이 같은:

DT[i,j,
by = 롤(너비=5, 정렬="중앙")]

그런 다음 j에 mean(A)가 포함되어 있으면 내부적으로 다음과 같이 바꿀 수 있습니다.
rollmean(A) -- 우리가 지금 gmean()으로 하는 것과 똑같습니다. 또는 j 수
임의로 복잡한 기능을 포함합니다(예:
각 창), 이 경우 .SD data.table을 제공합니다. 정확히
우리가 지금 그룹에서 하는 것처럼.

이렇게 하면 10개 이상의 새로운 기능을 도입할 필요가 없습니다. 그리고 그것은
data.table-y의 정신도 느껴집니다.

—
당신이 댓글을 달았기 때문에 이것을 받는 것입니다.
이 이메일에 직접 답장하고 GitHub에서 확인하세요.
https://github.com/Rdatatable/data.table/issues/2778#issuecomment-383275134 ,
또는 스레드 음소거
https://github.com/notifications/unsubscribe-auth/AHQQdbADiE4aAI1qPxPnFXUM5gR-0w2Tks5tquH8gaJpZM4TeTQf
.

@st-pasha 흥미로운 아이디어는 data.table-y 정신처럼 보이지만 많은 제한이 있으며 이 범주의 기능에는 적합하지 않습니다.

• 그룹별로 롤 평균을 수행하는 방법

DT[, rollmean(V1, 3), by=V2]

• 다른 열에 대해 다른 창 크기를 계산하는 방법

DT[, .(rollmean(V1, 3), rollmean(V2, 100))]

• 이제 시프트를 허용하므로 [.data.table 외부에서 롤 평균을 계산하는 방법

rollmean(rnorm(10), 3)

• 다음과 같은 쿼리를 지원하는 방법

DT[, .(rollmean(list(V1, V2), c(5, 20)), rollmean(list(V2, V3), c(10, 30)))]

• 동일한 j 호출에서 mean 및 rollmean j 호출하는 방법

DT[, .(rollmean(V1, 3), mean(V1)), by=V2]

일반적으로 by 사용할 때 데이터를 더 적은 수의 행으로 집계하는 반면 롤링 함수는 항상 입력과 동일한 길이의 벡터를 반환합니다. SQL에서 이러한 유형의 함수에는 다음 스타일의 API가 있습니다.

SELECT AVG(value) OVER (ROWS BETWEEN 99 PRECEDING AND CURRENT ROW)
FROM tablename;

여전히 다음과 같이 GROUP BY와 결합할 수 있습니다.

SELECT AVG(value) OVER (ROWS BETWEEN 99 PRECEDING AND CURRENT ROW)
FROM tablename
GROUP BY group_columns;

그래서 SQL에서 이러한 기능에 체류 SELECT 를 의미하는 j DT에.
DT에서는 다음을 통해 동일한 결과를 얻을 수 있습니다.

DT[, rollmean(value, 100)]
DT[, rollmean(value, 100), group_columns]

롤링 함수는 shift 와 동일한 범주의 함수에 적합하며 입력 시 동일한 수의 행을 반환합니다.
SQL의 시프트는 다음과 같습니다.

SELECT LAG(value, 1) OVER ()
FROM tablename;

mean 및 rollmean 는 단순히 다른 기능이 아니라 다른 범주의 기능입니다. 하나는 그룹에 따라 집계하는 것을 의미하고 다른 하나는 전혀 집계하지 않습니다. 이것은 롤링 함수 유형에 GROUP BY 를 사용하지 않는 SQL에서 쉽게 볼 수 있지만 mean 와 같은 집계에는 GROUP BY 를 사용해야 합니다(그룹화할 때 최종적으로 총 부여 금액을 얻음). 절이 존재하지 않음).
mean 대해 적용하는 것과 동일한 최적화 규칙을 적용하려는 강력한 이유는 보이지 않습니다. 특히 사용 사례에 적합하지 않을 때와 모든 것은 data.table-y를 위해서입니다. 영혼. 현재 제안도 data.table-y 정신이며 := 와 마찬가지로 shift := 와 쉽게 결합할 수 있습니다. 현재 data.table에서 사용할 수 없는 새로운 기능 세트를 추가합니다.

@jangorecki 감사합니다. 모두 유효한 고려 사항입니다. 물론 사람마다 경험이 다르고 무엇이 "자연적"으로 간주되어야 하는지에 대한 관점이 다릅니다.

그룹별로 롤 평균을 수행하는 것이 가능합니다. 이것은 DT[, mean(V1), by=.(V2, roll(3))] 2-레벨 그룹화일 뿐입니다. 그러나 내 구문으로 다른 열에서 다른 창 크기를 만드는 방법을 알지 못합니다 ...

이전에 롤링 조인에 대한 SQL 구문을 본 적이 없음을 인정해야 합니다. AVG 와 같은 표준 집계자를 사용하면서도 윈도우 사양을 적용한다는 점은 흥미롭습니다. Transact-SQL 설명서를 보면 논리적/물리적 행 선택 간의 구별과 같은 몇 가지 흥미로운 아이디어가 있습니다. 그들은 서로 다른 열에 대해 서로 다른 "OVER" 연산자를 허용하지만 제공하는 모든 예에서 여러 번 반복되는 동일한 OVER 절입니다. 따라서 이 사용 사례가 훨씬 더 일반적이므로 단일 roll() 그룹을 사용하면 반복 횟수가 줄어듭니다.

또한 이 SO 질문 은 OVER 구문이 SQL에 도입된 이유에 대한 흥미로운 통찰력을 제공합니다.

GROUP BY SalesOrderID를 사용할 수 있습니다. 차이점은 GROUP BY를 사용하면 GROUP BY에 포함되지 않은 열에 대한 집계 값만 가질 수 있다는 것입니다. 대조적으로, GROUP BY 대신 창 집계 함수를 사용하면 집계된 값과 집계되지 않은 값을 모두 검색할 수 있습니다. 즉, 예제 쿼리에서 그렇게 하지 않더라도 동일한 SalesOrderID 그룹에 대해 개별 OrderQty 값과 해당 합계, 개수, 평균 등을 모두 검색할 수 있습니다.

따라서 구문은 group-by 결과가 집계되지 않은 값과 결합될 수 없는 표준 SQL의 제한을 우회하도록 설계된 것으로 보입니다(즉, 동일한 표현식에서 A 및 mean(A) 를 모두 선택). 그러나 data.table 에는 이러한 제한이 없으므로 구문 선택에 더 많은 자유가 있습니다.

이제 우리가 실제로 커브보다 앞서고 싶다면 더 넓은 관점에서 생각해야 합니다. "롤링" 기능이 무엇인지, 용도가 무엇인지, 확장할 수 있는 방법 등입니다. 통계학자의 관점에서:

"롤링 평균" 기능은 일부 노이즈 입력을 부드럽게 하는 데 사용됩니다. 예를 들어, 시간 경과에 따른 관찰이 있고 "평균 수량"에 대한 개념이 필요하지만 매우 느리지만 시간이 지남에 따라 변하는 경우를 가정해 보겠습니다. 이 경우 "지난 100개 관측치에 대한 이동 평균" 또는 "모든 이전 관측치에 대한 이동 평균"을 고려할 수 있습니다. 유사하게, 입력 범위에서 특정 수량을 관찰하는 경우 "±50 관찰에 대한 롤링 평균"을 적용하여 평활화할 수 있습니다.

• 따라서 첫 번째 확장은 "부드러운 창"을 보는 것입니다. 과거의 관찰이 더 멀리 있을수록 기여도가 적은 과거 관찰에 대한 평균을 상상해 보십시오. 또는 가우스 커널에 대한 주변 관측치의 평균입니다.
• 두 번째는 적응형 창입니다. 예를 들어, 구간 [0, 1]에 대해 노이즈 입력이 정의된 경우 ±N 창을 사용하여 이를 평활화하면 가장자리 근처에 편향된 결과가 생성됩니다. 편향되지 않은 추정기는 가장자리로부터의 거리를 기반으로 창의 모양을 조정합니다.
• 재표본 평활화: 원본 데이터와 동일한 수의 관측치를 생성하는 제한이 너무 제한적입니다. 데이터를 일부 기본 함수에 대한 노이즈 관찰로 생각한다면 원래 입력보다 더 거칠거나 미세한 메쉬에서 해당 함수의 평활화 값을 계산하도록 요청하는 것이 완전히 합리적입니다. 또는 원래 데이터의 간격이 불규칙하여 일반 그리드에 다시 샘플링하려고 할 수 있습니다.
• Jackknife: 각 관측치에 대해 현재를 제외한 모든 관측치에 대한 평균/회귀를 계산하려고 합니다.
• K-폴드 분할: 각 그룹이 관측치의 작은 부분만 제외하는 여러 그룹으로 데이터를 봅니다.

이 모든 것은 확장된 그룹화 연산자로 구현될 수 있으며 롤링 창은 이 목록의 요소 중 하나일 뿐입니다. 즉, 나는 우리가 두 가지 방법으로 그것을 가질 수없는 이유를 모르겠습니다.

이전에 롤링 조인에 대한 SQL 구문을 본 적이 없음을 인정해야 합니다.

롤링 기능을 의미한다고 가정하고 문제는 롤링 조인과 관련이 없습니다.

그들은 서로 다른 열에 대해 서로 다른 "OVER" 연산자를 허용하지만 제공하는 모든 예에서 여러 번 반복되는 동일한 OVER 절입니다. 따라서 이 사용 사례가 훨씬 더 일반적이며 따라서 단일 roll() 그룹을 사용하면 반복이 줄어들 것입니다.

동일한 OVER() 를 여러 번 호출하는 경우 GROUP BY 를 사용하고 조회 테이블을 작성하고 다른 쿼리에서 재사용하는 것이 더 성능이 좋다는 것을 알 수 있습니다. 예가 무엇이든 제공된 각 측정값에 대해 지역 특성을 유지하려면 OVER()를 반복해야 합니다. 데이터 웨어하우스의 사용 사례는 Microsoft 문서만큼 간단하지 않습니다.

대조적으로, GROUP BY 대신 창 집계 함수를 사용하면 집계된 값과 집계되지 않은 값을 모두 검색할 수 있습니다.

data.table에서 우리는 그것을 달성하기 위해 하나의 쿼리에서 := 및 by 를 수행합니다.

따라서 구문은 group-by 결과가 집계되지 않은 값과 결합될 수 없는 표준 SQL의 제한을 우회하도록 설계된 것으로 보입니다(즉, 동일한 표현식에서 A와 mean(A)를 모두 선택). 그러나 data.table에는 이러한 제한이 없으므로 구문 선택에 더 많은 자유가 있습니다.

SQL의 많은 제한 사항이 아니라 by 집계와 같은 방식으로 집계되는 GROUP BY의 설계일 뿐입니다. 새 창 기능을 다루려면 새 API가 필요했습니다. FUN() OVER (PARTITION BY ...) 사용하여 각 함수 호출에 대해 SQL 창 함수에 대한 그룹화를 제공할 수 있습니다. 여기서 _partition by_는 단일 측정에 대한 로컬 그룹화와 같습니다. 따라서 SQL의 유연성을 얻으려면 j = mean(V1, roll=5) 또는 j = over(mean(V1), roll=5) 를 사용하여 해당 API를 j 에 유지해야 합니다. 여전히 이 접근 방식은 위에서 언급한 모든 사용 사례를 지원하지 않습니다.

"±50 관측치에 대한 롤링 평균"을 적용하여 평활화할 수 있습니다.

이것이 align 인수가 사용되는 것입니다.

따라서 첫 번째 확장은 "부드러운 창"을 보는 것입니다. 과거의 관찰이 더 멀리 있을수록 기여도가 적은 과거 관찰에 대한 평균을 상상해 보십시오. 또는 가우스 커널에 대한 주변 관측치의 평균입니다.

이동 평균에는 많은 변형(사실상 무제한)이 있으며, 가장 일반적인 평활 창 함수(rollmean/SMA 제외)는 지수 이동 평균(EMA)입니다. 어떤 것을 포함해야 하고 어떤 것을 포함하지 않는지는 결정하기 쉽지 않으며 실제로 사용자로부터 오는 기능 요청에 따라 결정을 내리는 것이 가장 좋습니다. 지금까지 이와 같은 요청은 없었습니다.

이 모든 것은 확장된 그룹화 연산자로 구현될 수 있으며 롤링 창은 이 목록의 요소 중 하나일 뿐입니다.

확실히 그들은 할 수 있지만 SO와 우리 리포지토리에서 생성된 문제를 살펴보면 여기에 있는 몇 가지 롤링 기능이 사용자 요청의 95% 이상을 담당한다는 것을 알 수 있습니다. EMA 및 기타 MA에서 작업하게 되어 기쁩니다(data.table이 최적의 장소인지 확실하지 않지만). 그러나 별개의 문제입니다. 나를 포함한 일부 사용자는 이미 4년 동안 data.table에서 단순 이동 평균을 기다리고 있습니다.

다음은 통계학자의 관점에서 본 것입니다.

제 관점은 데이터 웨어하우징(최소한 일주일에 한 번 창 기능을 사용한 곳)과 가격 추세 분석(수십 가지의 이동 평균을 사용한 곳)에서 나옵니다.

rollmean 초안이 roll 분기로 푸시됩니다. 롤링 평균을 구현하는 대부분의 다른 패키지는 입력에 있는 na.rm=FALSE 및 NA를 잘 처리할 수 없다는 것을 발견했습니다. 이 구현은 ISNAN 호출로 인해 약간의 추가 오버헤드를 부과하는 mean 에 대해 일관되게 NA를 처리합니다. 사용자가 입력에 NA가 없다고 확신하는 경우 API를 더 빠르지만 덜 안전한 버전으로 허용할 수 있습니다.
홍보는 #2795에 있습니다.

@mattdowle PR의 질문에 답변

왜 data.table 내에서 이것을 합니까? 기존 패키지에 기여하고 data.table에서 사용하는 대신 통합하는 이유는 무엇입니까?

1. data.table에서 해당 기능을 요구하는 3가지 다른 문제가 생성되었습니다. 또한 여러 SO 질문에 data.table 태그가 지정되었습니다. 사용자는 이것이 data.table의 범위에 있을 것으로 기대합니다.
2. data.table은 시계열 데이터에 완벽하게 적합하며 롤링 집계는 거기에서 매우 유용한 통계입니다.

내 생각에는 구문(data.table에 내장된 경우에만 가능하거나 편리한 기능, 예를 들어 [...] 내부 및 최적화됨) 및 data.table 내부를 C 수준의 롤링 함수에 구축하는 것입니다. 예를 들어 froll*은 data.table 인덱스와 키를 인식하고 사용해야 합니다. 그렇다면 이에 대한 자세한 내용이 필요합니다. 예를 들어 간단한 짧은 예.

개인적으로 그것은 속도와 종속성 체인의 부족에 관한 것입니다. 요즘에는 달성하기 쉽지 않습니다.
키/인덱스는 frollmin/frollmax에 유용할 수 있지만 사용자가 측정 변수에 인덱스를 생성할 가능성은 낮습니다. 사용자가 측정 변수에 대한 인덱스를 만들 가능성은 낮고 아직 최소/최대에 대한 최적화를 수행하지 않았습니다. 할당된 메모리가 롤* 호출 후에 해제되지 않고 응답으로 반환되기 때문에(비롤링 평균, 합계 등과 반대) GForce 최적화에 대한 의미가 별로 없습니다.

통합에 대한 설득력 있는 주장이 없으면 대신 다른 패키지에 기여해야 합니다.

위에 몇 가지를 나열했는데 확신이 서지 않으면 data.table 사용자에게 질문을 작성하거나 트위터에 질문하여 응답을 확인하는 것이 좋습니다. 이 기능은 오랫동안 많은 사용자가 요청해 왔습니다. 응답이 확실하지 않으면 이 문제를 종료할 수 있습니다.

sparklyr 는 매우 큰 규모의 데이터 세트에서 롤링 기능을 매우 잘 지원할 수 있습니다.

@harryprince 는
"창 기능" 에 따르면

롤링 집계는 고정 너비 창에서 작동합니다. 기본 R이나 dplyr에서는 찾을 수 없지만 RcppRoll과 같은 다른 패키지에는 많은 구현이 있습니다.

AFAIU dplyr 인터페이스가 구현되지 않은 sparklyr를 통해 사용자 지정 spark API를 사용합니까?

이 문제는 집계 롤링에 관한 것으로, 다른 "유형"의 창 함수는 이미 오랫동안 data.table 에 있습니다.

(인메모리) 성능과 sparklyr / SparkR 비교할 수 있도록 몇 가지 예를 제공하는 것도 도움이 될 것입니다.

이 질문이 떠올랐습니다.

다른 열에 대해 다른 창 크기를 계산하는 방법은 무엇입니까?

실제로 더 넓은 범위를 가지며 롤링 기능에만 적용되지 않습니다.

예를 들어, 동일한 쿼리 내에서 날짜별, 주별, 주+카테고리별 평균 제품 가격을 선택하는 방법을 묻는 것이 매우 합리적입니다. 우리가 그러한 기능을 구현한다면, 그것에 대한 자연스러운 구문은 다음과 같을 수 있습니다.

DT[, .( mean(price, by=date), 
        mean(price, by=week), 
        mean(price, by=c(week, category)) )]

이제 이 기능이 이미 구현되었다면 여기서 롤링 수단으로의 단순한 도약이 되었을 것입니다.

DT[, .( mean(price, roll=5), 
        mean(price, roll=20), 
        mean(price, roll=100) )]

이것이 rollmean(price, 5) 보다 확실히 낫다고 말하는 것이 아니라 고려할 몇 가지 대안을 던지는 것뿐입니다...

@st-pasha

날짜별, 주별, 주+카테고리별로 평균 제품 가격을 선택하는 방법 -- 모두 동일한 쿼리 내에서.

AFAIU 이것은 이미 ?groupingsets 사용하여 가능하지만 아직 [.data.table 되지 않았습니다.

@jangorecki , @st-pasha 및 Co. -- 모든 작업에 감사드립니다! 부분 창 지원이 범위에서 제거된 이유가 궁금합니다. 해당 기능이 로드맵에 다시 포함될 가능성이 있습니까? 때때로 나에게 유용할 것이고 내가 아는 한 zoo 또는 RcppRoll 에 채워지지 않은 기능 격차를 채울 것입니다.

이 스택 오버플로 질문 은 partial = TRUE 인수의 이점을 얻을 수 있는 롤링 애플리케이션의 좋은 예입니다.

@msummersgill 피드백 주셔서 감사합니다. 첫 번째 게시물에서 부분 창 기능 코드를 찾을 수 있는 commit sha를 명시적으로 링크했습니다. 거기에 있는 구현은 나중에 코드의 복잡성을 줄이기 위해 제거되었습니다. 또한 해당 기능을 사용하지 않는 경우에도 약간의 성능 비용을 부과했습니다. 이 기능은 다른 방식으로 구현될 수 있으며 아마도 그래야만 합니다. 먼저 있는 그대로 완료한 다음 1:window_size 의 추가 루프를 사용하여 누락된 부분 창을 채우기만 하면 됩니다. 따라서 해당 기능의 오버헤드는 사용할 때만 눈에 띕니다. 그럼에도 불구하고 우리는 adaptive 인수를 통해 해당 기능을 제공합니다. 여기서 partial 기능은 adaptive 롤링 평균의 특별한 경우입니다. ?froll manual 에 adaptive 를 사용하여 partial 를 얻는 방법의 예가 있습니다 . 여기에 붙여넣기:

d = as.data.table(list(1:6/2, 3:8/4))
an = function(n, len) c(seq.int(n), rep(n, len-n))
n = an(3, nrow(d))
frollmean(d, n, adaptive=TRUE)

물론 부분적인 창을 채우기 위해 추가 루프를 사용하는 비적응형 롤링 기능만큼 효율적이지는 않을 것입니다.
AFAIK zoo 에는 partial 기능이 있습니다.

data.table에 롤링 회귀 함수를 추가할 계획이 있습니까?

@waynelapierre에 대한 수요가 있다면 그렇습니다. 내 +1이 있습니다.

감사합니다. 그래도 질문 하나만. 롤링 평균 또는 롤링 중앙값과 같은 단순한 롤링 집계만 표시됩니다. 롤링 DT 데이터 프레임과 같은 보다 정교한 롤링 기능도 구현하고 있습니까? 예를 들어, 마지막 10개의 obs를 사용하여 롤링 DT를 만들고 lm 회귀를 실행합니다.

감사 해요!

@randomgambit 높은 수요가 없다면 범위 밖이라고 말하고 싶습니다. C에서 중첩 루프를 처리하는 것만으로 기본 R/zoo보다 빠르게 하는 것은 그리 어렵지 않을 것입니다. 그러나 중첩 루프를 피하기 위해 "온라인" 알고리즘을 사용하여 구현해야 합니다. 이것은 더 까다롭고 결국에는 모든 통계에 대해 수행할 수 있으므로 어느 시점에서 해당 통계를 잘라야 합니다.

@jangorecki 흥미로운 감사합니다. 즉, tsibble 를 계속 사용하여 DATA.TABLES tibble ! 정신이 번쩍 들었다 :D

frollmean 를 사용하여 x 의 최근접 이웃을 사용하여 이진 y 대해 P[y | x] 를 표시하는 비모수적 "로지스틱 곡선"을 계산하려고 했습니다. y 저장된 logical 가 integer 자동 캐스팅되지 않아 놀랐습니다.

DT = data.table(x = rnorm(1000), y = runif(1000) > .5)
DT[order(x), .(x, p_y = frollmean(y, 50L))]

froll의 오류(fun = "mean", x = x, n = n, 채우기 = 채우기, 알고리즘 = 알고리즘, 정렬 = 정렬, :
x는 숫자 유형이어야 합니다.

벡터화된 x / n 인수가 성능에 미치는 영향의 예.
https://github.com/AdrianAntico/RemixAutoML/commit/d8370712591323be01d0c66f34a70040e2867636#r34784427
루프가 적고 코드를 읽기 쉽고 훨씬 빠릅니다(10x-36x 속도 향상).

frollapply 준비: https://github.com/Rdatatable/data.table/pull/3600

    ### fun             mean     sum  median
    # rollfun          8.815   5.151  60.175
    # zoo::rollapply  34.373  27.837  88.552
    # zoo::roll[fun]   0.215   0.185      NA
    # frollapply       5.404   1.419  56.475
    # froll[fun]       0.003   0.002      NA

안녕하세요 여러분, frollapply에 전달된 FUN(사용자 정의)은 R 개체 또는 data.frame(data.table)을 반환하도록 변경됩니까? frollapply에 전달된 x는 숫자로 강제 변환되지 않은 문자의 data.table이 될 수 있으며 FUN은 다음을 수행할 수 있습니다. 레이블 및 frollapply가 목록을 반환합니까? 그런 다음 Benford의 테스트 또는 레이블에 대한 요약과 같은 롤링 회귀 또는 롤링 테스트를 수행할 수 있습니다.

재현 가능한 예를 제공하는 것은 항상 유용합니다. ... 명확히하기 위해 이러한 시나리오에서 당신은 싶습니다 frollapply(dt, 3, FUN) 길이의 목록을 반환 nrow(dt) 각 목록 요소가 될 것입니다 경우 data.table 에 의해 반환 FUN(dt[window]) ?
frollapply(x=dt, n=3, fun=FUN)[[3]] 는 FUN(dt[1:3]) 와 같습니다.
frollapply(x=dt, n=3, FUN=FUN)[[4]] 는 FUN(dt[2:4]) 와 같습니다.
그 맞습니까? @jerryfuyu0104

현재 우리는 첫 번째 인수에 전달된 여러 열을 지원하지만 루프를 통해 개별적으로 처리합니다. 아마도 추가 인수 multi.var=FALSE 가 필요할 것입니다. true 로 설정하면 x (지금처럼: list(FUN(x[[1]]),FUN(x[[2]])) )를 반복하지 않지만 모든 열 FUN(x) 전달합니다.

이에 대한 업데이트가 있습니까?

나는 그 이전의 요청을 두 번째로 한다.

또한 부분 창을 허용하기 위해 "부분" 인수를 지원할 수 있습니까?

@eliocamp partial 창이 무엇인지 자세히 설명해 주 시겠습니까?

@eliocamp "부분적"인수를 지원할 수 있습니다. 이미 알고 있겠지만 adaptive=TRUE 인수를 사용하여 이 기능에 대한 지원이 이미 있습니다. 자세한 내용은 예제 를 참조하십시오.

그것은 절반 창 지점을 형성하는 대신 처음부터 끝까지 함수를 계산하는 것을 의미합니다.
예를 들어 너비가 11인 롤링 평균의 경우 반환되는 첫 번째 요소는 요소 1에서 6까지의 평균이 됩니다. 두 번째 요소는 1에서 7까지의 평균이 되는 식입니다.

@jangorecki 오 감사합니다

동의합니다. 우리는 편리함뿐만 아니라 속도를 위해서도 부분적인 논쟁이 필요합니다. adaptive=TRUE 는 오버헤드를 추가합니다.
그리고 네, 우리는 또한 롤링 회귀가 필요하므로 여러 변수를 제공하고 각각을 개별적으로가 아니라 한 번에 롤링합니다.
이들의 상태에 대한 업데이트는 없습니다.

도움을 주고 싶지만 제 C++ 기술은 전혀 존재하지 않습니다. :sweat: 완전 뉴비들에게 어울릴 것 같나요?

우리는 C++로 코딩하지 않지만 C로 코딩합니다. 네, 시작하기에 좋은 곳입니다. 나는 frollmean에서 정확히 그렇게했습니다.

코드를 보니 가관인 것 같습니다. 하지만 어떤 경우에도 업데이트하겠습니다.

그러나 이제 또 다른 요청에 대해 frollmean(.SD)이 이름을 보존해야 합니다. 더 일반적으로, froll*은 입력이 이름이 있는 목록과 같은 경우 이름을 보존해야 합니다.

data.table을 자주 사용하는 저는 tsibble 패키지 에서 현재 제공되는 "시간 인식" 기능을 갖는 것이 매우 유용하다는 것을 알았습니다. 불행히도 이 패키지는 dplyr 주변에서 개발되었습니다. data.table 구현이 가능한지 궁금합니다. 이번 호에서 제안하는 창 기능은 이러한 기능의 일부입니다.

@ywhcuhcuh 피드백 감사합니다. 사실 이 문제가 이미 너무 많은 것을 요구하고 있다고 생각했습니다. 그 대부분은 매우 빠른 여전히 가벼운 패키지 롤로 잘 덮여 있습니다. 다른 기능에 대해서는 관심 있는 기능별로 새로운 이슈를 생성하는 것을 제안하므로 구현/유지 여부를 별도로 논의할 수 있습니다. tstibble의 readme를 보면 새로운 것이 제공되는 것을 볼 수 없습니다...
제목은 "Tidy Temporal Data Frames"이지만 임시 조인을 제공하지 않는 것 같습니다.

@jangorecki님 답변 감사합니다. 아마도 상황에 따라 달라지는 문제일 것입니다. 내가 가장 자주 다루는 데이터 구조는 ID와 시간이 있는 "패널 데이터"로 알려져 있습니다. 프로그램이 이 데이터 기능을 "인식"하면 많은 작업, 특히 시계열 작업이 매우 쉬워집니다. STATA를 아는 사람에게는 리드, 지연, 채우기 간격 등과 같은 tsset 및 xtset 기반 작업입니다. data.table의 "인덱스"가 향상 될 수 있다고 생각합니다. 어떤 식 으로든 그러한 작업을 가능하게합니다.

물론 이러한 작업은 shift 및 by 와 같은 data.table 함수에서 수행할 수 있습니다. data.table의 index 는 탐색할 가능성이 많다고 생각했습니다. 나는 이것이 다른 문제에 속해야한다는 데 동의합니다. 하지만 위의 토론에서 잃지 않고 이동하는 방법을 모르겠습니다 ...