由于这个问题还没有得到回答,我想提供一个更好的解决方案,可以更快地解决这类问题,速度可能高达
数千倍。每当我听到“移动平均”或“滑动窗口”时,我马上想到
FFT卷积。这是因为它可以以
极高效率处理这些类型的问题。由于所有的“滑动”都在后台完成,所以我认为它也具有你所期望的所有句法美感。
(以下代码可在
https://gist.github.com/1320175中的一个文件中找到)
我们首先模拟一些数据(这里我使用整数是为了简单起见,但当然你不需要这样做)。
require(plyr)
set.seed(12345)
n = 10
n.sum = 2
a = sample.int(10, n, replace=T)
df = data.frame(n=1:n, a)
> df
n a
1 1 8
2 2 9
3 3 8
4 4 9
5 5 5
6 6 2
7 7 4
8 8 6
9 9 8
10 10 10
现在,我们将一次性预先计算出
n-a
的所有值。
n.minus.a = with(df, n - a)
接下来,定义一个
内核 k
,当它与我们的输入
n.minus.a
卷积时,将对我们的数据进行求和(或平均/平滑/其他操作)。
k = rep(0, n)
k[1:n.sum] = 1
一切设置完成后,我们可以通过 fft()
在频率域中定义一个函数来高效地执行此卷积。
myConv <- function(x, k){
Fx = fft(x)
Fk = fft(k)
Fxk = Fx * Fk
xk = fft(Fxk, inverse=T)
(Re(xk) / n)[-(1:(n.sum-1))]
}
执行这个的语法非常简单易懂:
> myConv(n.minus.a, k)
[1] -14 -12 -10 -5 4 7 5 3 1
当您使用R中的
convolve()
便捷函数时,所有这些也会在幕后发生。
> convolve(n.minus.a, k)[1:(length(n.minus.a)-n.sum+1)]
[1] -14 -12 -10 -5 4 7 5 3 1
我们现在对比一下手动方法,以证明结果是等价的:
> sliding(df, 2, function(df) with(df, data.frame(n = n[1], a = a[1], b = sum(n - a))))
n a b
1 1 8 -14
2 2 9 -12
3 3 8 -10
4 4 9 -5
5 5 5 4
6 6 2 7
7 7 4 5
8 8 6 3
9 9 8 1
最后,我们将使 n=10^4
并测试所有这些方法的速度:
> system.time(myConv(n.minus.a, k))
user system elapsed
0.002 0.000 0.002
> system.time(convolve(n.minus.a, k, type='circ')[1:(length(n.minus.a)-n.sum+1)])
user system elapsed
0.002 0.000 0.002
> system.time(sliding(df, 2, function(df) with(df, data.frame(n = n[1], a = a[1], b = sum(n - a)))))
user system elapsed
7.944 0.018 7.962
FFT方法返回结果几乎是瞬间的,即使是粗略计时,也比手动方法快近4000倍。
当然,并非每种类型的滑动问题都可以归类到这种范式中,但对于像使用
sum()
(以及平均数、加权平均数等)的数值问题,它完美地发挥了作用。无论如何,通常值得至少谷歌一下,看看是否有可用的滤波器核心能够解决特定的问题。祝好运!
zoo
包中的rollapply
函数吗? - joran