如何对含重复索引的xts对象核心数据进行高效聚合？

问题背景 #

我有一个带重复时间索引的xts对象：

library(xts)

x <- xts(1:5, 
         as.Date(c("2024-04-19", "2024-04-19", "2024-04-20", "2024-04-21", "2024-04-21")))
x
#>            [,1]
#> 2024-04-19    1
#> 2024-04-19    2
#> 2024-04-20    3
#> 2024-04-21    4
#> 2024-04-21    5

目前我只会用简单删除重复项的方式清理数据：

ind <- duplicated(zoo::index(x))
x[!ind, ]
#>            [,1]
#> 2024-04-19    1
#> 2024-04-20    3
#> 2024-04-21    4

但我希望能通过指定聚合函数（比如均值、求和）来处理重复索引，返回xts对象，效果如下：

# 按均值聚合
xts_aggr_duplicates(x, "mean")
#>            [,1]
#> 2024-04-19    1.5
#> 2024-04-20    3
#> 2024-04-21    4.5

# 按求和聚合
xts_aggr_duplicates(x, "sum")
#>            [,1]
#> 2024-04-19    3
#> 2024-04-20    3
#> 2024-04-21    9

原本打算拆分对象、聚合后再合并，但这种方法处理大型数据效率极低，请问有没有高效的实现思路？

高效解决方案 #

方法1：利用xts/zoo原生的aggregate函数 #

xts继承自zoo，zoo的aggregate函数支持按索引分组聚合，底层是向量化操作，效率远高于手动拆分合并，直接返回xts对象：

xts_aggr_duplicates <- function(x, FUN) {
  aggregate(x, by = index(x), FUN = match.fun(FUN))
}

# 测试均值聚合
xts_aggr_duplicates(x, "mean")
#>            [,1]
#> 2024-04-19  1.5
#> 2024-04-20  3.0
#> 2024-04-21  4.5

# 测试求和聚合
xts_aggr_duplicates(x, "sum")
#>            [,1]
#> 2024-04-19    3
#> 2024-04-20    3
#> 2024-04-21    9

方法2：结合data.table实现高速聚合 #

针对超大规模数据集，data.table的分组聚合性能更突出，只需将xts转成data.table完成聚合后，再转回xts：

library(data.table)

xts_aggr_duplicates_dt <- function(x, FUN) {
  dt <- data.table(
    date = index(x),
    value = coredata(x)
  )
  agg_dt <- dt[, .(value = match.fun(FUN)(value)), by = date]
  xts(agg_dt$value, agg_dt$date)
}

# 测试效果
xts_aggr_duplicates_dt(x, "mean")
#>            [,1]
#> 2024-04-19  1.5
#> 2024-04-20  3.0
#> 2024-04-21  4.5

方法3：使用dplyr+tibble的管道风格 #

如果熟悉tidyverse语法，可通过管道式分组聚合后转回xts，代码可读性强，适合中小型数据集：

library(dplyr)
library(tibble)

xts_aggr_duplicates_tidy <- function(x, FUN) {
  x %>%
    as_tibble(rownames = "date") %>%
    mutate(date = as.Date(date)) %>%
    group_by(date) %>%
    summarise(value = match.fun(FUN)(value)) %>%
    ungroup() %>%
    xts(order.by = .$date)
}

# 测试
xts_aggr_duplicates_tidy(x, "sum")
#>            [,1]
#> 2024-04-19    3
#> 2024-04-20    3
#> 2024-04-21    9

内容的提问来源于stack exchange，提问作者dimfalk