如何使用dplyr基于X列步长对Y列执行累积求和？

已知x_data与x_steps均为严格递增序列，要对Y列按更粗的X步长执行累积求和（即计算每个x_step对应的所有x_data <= x_step的Y值累加和），可以用以下两种高效实现方式：

方法一：使用Numpy处理数组数据 #

适合纯数组形式的原始数据，利用searchsorted快速定位索引，结合cumsum计算累积和：

import numpy as np

# 示例数据（可替换为从文件读取的数组）
x_data = np.array([1, 3, 5, 7, 9, 12, 14, 16, 18, 21])
y_data = np.array([2, 4, 1, 3, 5, 2, 6, 1, 4, 3])
x_steps = np.array([10, 20, 30])

# 定位每个x_step在x_data中的右侧插入位置（保证左侧元素均<=x_step）
indices = np.searchsorted(x_data, x_steps, side='right')
# 计算Y列的累积和数组
y_cumsum = np.cumsum(y_data)
# 提取对应位置的累积和，处理x_step小于所有x_data的情况
result = np.array([y_cumsum[idx-1] if idx > 0 else 0 for idx in indices])

print("x_steps对应的累积求和结果：", result)
# 输出：x_steps对应的累积求和结果： [15 28 31]

方法二：使用Pandas处理表格数据 #

适合从文件（如CSV）读取的XY格式表格数据，利用merge_asof实现有序合并：

import pandas as pd

# 模拟从文件读取的XY数据（实际可替换为pd.read_csv('your_data.csv')）
df = pd.DataFrame({
    'x': [1, 3, 5, 7, 9, 12, 14, 16, 18, 21],
    'y': [2, 4, 1, 3, 5, 2, 6, 1, 4, 3]
})
x_steps = [10, 20, 30]

# 计算Y列的累积和
df['y_cumsum'] = df['y'].cumsum()
# 创建x_steps的表格
steps_df = pd.DataFrame({'x_step': x_steps})

# 有序合并：为每个x_step匹配最大的x<=x_step的记录
merged = pd.merge_asof(steps_df, df, left_on='x_step', right_on='x', direction='backward')
# 填充x_step小于所有x的情况为0
merged['y_cumsum'] = merged['y_cumsum'].fillna(0)

print(merged[['x_step', 'y_cumsum']])
# 输出：
#    x_step  y_cumsum
# 0      10      15.0
# 1      20      28.0
# 2      30      31.0

关键说明 #

• 两种方法均利用了x_data和x_steps严格递增的特性，时间复杂度为O(n log n)，适合大数据量场景。
• 若从文件读取数据，只需将示例中的数据替换为文件读取结果即可（如Pandas的read_csv、Numpy的loadtxt）。

内容的提问来源于stack exchange，提问作者masher