R语言计算单条观测对整体结果的影响及循环问题排查

我有一个包含物品数量、实际成本和预测成本的概览表：

myData <- data.table("itemCount" = c(3000, 20, 50, 9),
                     "cost" = c(120, 118, 165, 93), 
                     "prediction" = c(120, 100, 150, 120))

随后计算了单个观测值和整体的利润：

myData[, "profit" := cost/prediction]

total <- myData[, .(itemsTotal = sum(itemCount),
                costTotal  = sum(cost), 
                predictionTotal = sum(prediction))][
                  , "profit" := costTotal/predictionTotal 
                ]

现在需要计算：排除每一行观测值后，整体利润会是多少。比如排除第二行的示例代码：

myData$diffinProfit <- NA
myDataEx <- myData[- 2, ]
totalEx <- myDataEx[, .(itemsTotal = sum(itemCount),
                        costTotal  = sum(cost), 
                        predictionTotal = sum(prediction))][
                          , "profit" := costTotal/predictionTotal 
                        ]

我写了一个for循环来实现，但只得到第一个观测值对应的结果：

myData$diffinProfit <- NA
for(observation in seq_along(length(myData)-1)){
  
  myDataEx <- myData[- observation, ]
  totalEx <- myDataEx[, .(itemsTotal = sum(itemCount),
                          costTotal  = sum(cost), 
                          predictionTotal = sum(prediction))][
                            , "profit" := costTotal/predictionTotal 
                            ]
  
  myData$diffinProfit[[observation]] <- totalEx$profit
  
}

想知道怎么修复这个循环，以及能不能用apply类函数、mapply或purrr函数实现需求？

1. 修复for循环 #

循环失效的核心问题是迭代范围错误：length(myData)返回的是数据表的列数（这里是4），seq_along(length(myData)-1)只会生成[1,2,3]，漏掉了第4行的计算。我们需要遍历的是数据表的行索引，即从1到nrow(myData)。

修改后的循环代码：

myData$diffinProfit <- NA
# 遍历所有行的索引
for(observation in seq_len(nrow(myData))){
  
  myDataEx <- myData[- observation, ]
  totalEx <- myDataEx[, .(costTotal = sum(cost), 
                          predictionTotal = sum(prediction))][
                            , profit := costTotal/predictionTotal 
                            ]
  
  myData$diffinProfit[observation] <- totalEx$profit
  
}

优化版循环 #

提前计算全局总成本和总预测值，避免每次循环重复求和，效率更高：

total_cost <- sum(myData$cost)
total_pred <- sum(myData$prediction)

myData$diffinProfit <- NA
for(observation in seq_len(nrow(myData))){
  # 直接计算排除当前行后的利润
  ex_cost <- total_cost - myData$cost[observation]
  ex_pred <- total_pred - myData$prediction[observation]
  myData$diffinProfit[observation] <- ex_cost / ex_pred
}

2. 使用apply类/向量化方法实现 #

base R的sapply #

用sapply遍历行索引，一行完成计算：

total_cost <- sum(myData$cost)
total_pred <- sum(myData$prediction)

myData$diffinProfit <- sapply(seq_len(nrow(myData)), function(i){
  (total_cost - myData$cost[i]) / (total_pred - myData$prediction[i])
})

purrr的map_dbl（tidyverse风格） #

如果习惯tidyverse生态，用purrr::map_dbl更简洁：

library(purrr)

total_cost <- sum(myData$cost)
total_pred <- sum(myData$prediction)

myData$diffinProfit <- map_dbl(seq_len(nrow(myData)), ~{
  (total_cost - myData$cost[.x]) / (total_pred - myData$prediction[.x])
})

data.table内置高效方法 #

利用data.table的分组计算特性，直接按行生成结果，无需循环：

# 计算全局总成本和总预测值，添加为临时列
myData[, total_cost := sum(cost)]
myData[, total_pred := sum(prediction)]
# 直接计算排除当前行后的利润
myData[, diffinProfit := (total_cost - cost) / (total_pred - prediction)]
# 可选：删除临时列
myData[, c("total_cost", "total_pred") := NULL]

内容的提问来源于stack exchange，提问作者Nneka