我有以下结构的数据,我正在尝试实现一个函数,对于每一行,使用随机多项式生成器分配一个选项,其值为<Educ_W1:Educ_W5>
作为概率向量(它们逐行添加)。因此,对于每一行,新变量的值将介于1和5之间。我已设法自己实现它,但我试图找到一种更快的方法来实现它,因为它在当前版本中需要太长时间(几天。数据包含超过100万次观测)。
| IDhh|Year |Educ_W |Educ_H | Educ_W1| Educ_W2| Educ_W3| Educ_W4| Educ_W5|
|----:|:----|:------|:------|---------:|---------:|---------:|---------:|---------:|
| 1|1975 |2 |2 | 0.1645188| 0.3362659| 0.3940354| 0.0831637| 0.0220162|
| 2|1975 |2 |2 | 0.1645188| 0.3362659| 0.3940354| 0.0831637| 0.0220162|
| 5|1975 |2 |1 | 0.5103815| 0.2092249| 0.2285570| 0.0392398| 0.0125968|
| 6|1975 |3 |3 | 0.0811203| 0.1535407| 0.5528233| 0.1486548| 0.0638609|
| 8|1975 |1 |1 | 0.5103815| 0.2092249| 0.2285570| 0.0392398| 0.0125968|
| 10|1975 |3 |2 | 0.1645188| 0.3362659| 0.3940354| 0.0831637| 0.0220162|
目前我正在以下列方式实现该功能,但我需要很长时间。这里,变量“IDhh”唯一地标识每一行。来自R包rMultinom
的函数Hmisc
生成具有不同概率的多项式随机变量。
library(dplyr)
library(tidyr)
data %>%
select(IDhh, Year, Educ_W, Educ_H, Educ_W1 : Educ_W5) %>%
nest(-IDhh) %>%
mutate(
wanted_W = map(data, ~ rMultinom(t(c(.x$Educ_W1, .x$Educ_W2, .x$Educ_W3,
.x$Educ_W4, .x$Educ_W5)), 1))) %>%
unnest()
`
所需的输出如下所示,其中“Wanted_W”是新变量。
| IDhh| wanted_W|Year |Educ_W | Educ_W1| Educ_W2| Educ_W3| Educ_W4| Educ_W5|
|-------:|--------:|:----|:------|---------:|---------:|---------:|---------:|---------:|
| 18806| 3|1975 |3 | 0.1851884| 0.1577067| 0.4749609| 0.1394014| 0.0427427|
| 2442099| 4|2010 |1 | 0.4436620| 0.0987973| 0.3296288| 0.1013606| 0.0265513|
| 1351429| 3|1995 |3 | 0.0708855| 0.1023657| 0.5904598| 0.1784980| 0.0577910|
| 250232| 3|1980 |5 | 0.0337913| 0.0347975| 0.2156134| 0.2315768| 0.4842209|
| 1802868| 3|2005 |3 | 0.0371280| 0.0772428| 0.6054841| 0.2024385| 0.0777067|
| 715077| 2|1985 |3 | 0.1149756| 0.1412112| 0.5458910| 0.1413975| 0.0565248|
您可以将函数的概率参数作为矩阵给出,而不是将Hmisc::rMultinom
调用一百万次(对于数据中的每一行一次)。然后矩阵中的每一行将定义不同的多项分布。
reprex::reprex_info()
#> Created by the reprex package v0.1.1.9000 on 2018-02-09
library(dplyr)
set.seed(1)
# Generate category probabilities
n <- 1e6
unifs <- replicate(5, runif(n))
probs <- sweep(unifs, 1, apply(unifs, 1, sum), "/")
colnames(probs) <- paste0("p", seq_len(ncol(probs)))
df <- as_tibble(probs)
system.time({
probs <- as.matrix(df %>% select(p1:p5))
res <- df %>%
mutate(rcat = Hmisc::rMultinom(probs, 1))
})
#> user system elapsed
#> 9.25 0.15 9.50
res
#> # A tibble: 1,000,000 x 6
#> p1 p2 p3 p4 p5 rcat
#> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
#> 1 0.14607852 0.07709049 0.33798110 0.22154639 0.21730349 p4
#> 2 0.12813691 0.23952958 0.11025717 0.31642808 0.20564827 p4
#> 3 0.19137423 0.24349984 0.06855848 0.23421041 0.26235703 p3
#> 4 0.30227095 0.03050219 0.27667295 0.28389810 0.10665580 p3
#> 5 0.10096040 0.03334545 0.07350112 0.38768513 0.40450791 p4
#> 6 0.32430441 0.22123172 0.13317669 0.08001760 0.24126959 p2
#> 7 0.32710720 0.14134942 0.25371663 0.20344497 0.07438178 p1
#> 8 0.21841291 0.23480314 0.25563400 0.06838794 0.22276200 p3
#> 9 0.21164692 0.19809418 0.15415735 0.15095640 0.28514514 p1
#> 10 0.02220492 0.23105648 0.35661756 0.08688459 0.30323645 p3
#> # ... with 999,990 more rows
您可以在没有rMultinom
函数的情况下执行此操作,方法是生成随机的Uniform变量并检查它所在的区间,如here所述:
set.seed(1234)
n=1000000
library(data.table)
# Sample data -----------------------------------------------------------
create_probs <- function(x)
{
y = sample(1:10,x)
y = as.list(y/sum(y))
return(y)
}
p_dt = data.table(id=1:n)
p_dt =p_dt[,c("Educ_w1","Educ_w2","Educ_w3","Educ_w4","Educ_w5"):=create_probs(5),by=1:nrow(p_dt)]
# Function --------------------------------------------------------------
p_dt[,U:=runif(1,0,1),1:nrow(p_dt)]
p_dt = p_dt[,Educ_w:=min(which(cumsum(unlist(.SD))>U)),1:nrow(p_dt),
.SDcols=c("Educ_w1","Educ_w2","Educ_w3","Educ_w4","Educ_w5")]
head(p_dt)
样本输出:
id Educ_w1 Educ_w2 Educ_w3 Educ_w4 Educ_w5 U Educ_w
1: 1 0.06666667 0.20000000 0.1666667 0.26666667 0.30000000 0.49320836 4
2: 2 0.36842105 0.05263158 0.1052632 0.26315789 0.21052632 0.54415445 4
3: 3 0.25925926 0.18518519 0.1111111 0.37037037 0.07407407 0.65840751 4
4: 4 0.29032258 0.09677419 0.3225806 0.06451613 0.22580645 0.26604797 1
5: 5 0.22222222 0.16666667 0.1111111 0.05555556 0.44444444 0.05887458 1
6: 6 0.31034483 0.17241379 0.2758621 0.20689655 0.03448276 0.98659704 5
功能部分需要大约8秒才能在我的电脑上运行。希望这可以帮助!
我在这里寻找同样问题的解决方案。老实说,我没有找到它,但也许我可以给你一个更好的解决方案。
z = mapply(rmultinom, n = 1, size = 1, prob = split(probs, c(col(probs))))
所有函数都是R的内置函数,probs
是列式的,在某种意义上,probs
的一列标识了一个多项式绘制的概率。结果是一个矩阵。每列都有结果(结果类为1,其他类为0),结果快60%