r - R中的多文件处理,循环变量进行数据处理
问题描述
我编写了几个函数来清理和处理来自美国社区调查 (ACS) 的 15 个样本。这个工作流程非常费力且重复:读取每个文件,应用我的功能,然后进入下一个调查年度。
我目前的工作流程是这样的:
library(tidyverse)
library(ids)
wage_2005 <- haven::read_dta("~/Data/ACS/2005_ACS.dta") %>%
gen.wages(wage_2005) %>%
reg.variables() %>%
wage.adj(year = 2005) %>%
wage.sample(year = 2005)
然后继续到 2006 年、2007 年,以此类推,直到 2019 年。例如,
wage_2006 <- haven::read_dta("~/Data/ACS/2006_ACS.dta") %>%
gen.wages(wage_2006) %>%
reg.variables() %>%
wage.adj(year = 2006) %>%
wage.sample(year = 2006)
我想要的是使用我的清洁功能处理每个样本,依次遍历文件并使用每个文件中的 year 变量,以便对每个调查年份应用适当的处理,然后获取并存储每个调查的结果列表中的年份。
作为第一步,我编写了一些代码,使用 sapply 函数读取文件:
files <- list.files(path = "~/Data/ACS" , full.names = TRUE)
data_files <- sapply(files, function(x) {
df <- haven::read_dta(file = paste0(x)),
USE.NAMES = TRUE,
simplify = FALSE
}
)
但这需要大量的存储空间,因为文件来自人口普查局并且非常大。我被困在迭代处理每个文件、应用我的函数并将结果存储在列表中的后续步骤上。
一些伪代码可以给出更清晰的想法:
- 年复一年
- 读入数据文件
- 应用函数
- 存储结果
例如说我有三组数据,比如
acs_2005 <-
data.frame(id = random_id(n = 1000, bytes = 16, use_openssl = TRUE),
wage = runif(1000, min = 0, max = 100),
year = 2005)
acs_2006 <-
data.frame(id = random_id(n = 1000, bytes = 16, use_openssl = TRUE),
wage = runif(1000, min = 0, max = 100),
year = 2006)
acs_2007 <-
data.frame(id = random_id(n = 1000, bytes = 16, use_openssl = TRUE),
wage = runif(1000, min = 0, max = 100),
year = 2007)
data <- list(acs_2005, acs_2006, acs_2007)
假设它们将作为 csv 文件读入
lapply(1:length(data_list), function(i) write.csv(data_list[[i]],
file = paste0(names(data_list[i]), ".csv"),
row.names = FALSE))
我的自定义功能是,
wage_summarize <-
function(df, year) {
mutate(df, wage = case_when(
year == 2005 ~ wage/0.7903,
year == 2006 ~ wage/0.8112,
year == 2007 ~ wage/0.8323)) %>%
group_by(year) %>%
summarize(wage = mean(wage, na.rm = TRUE))
}
当函数依赖年份变量以执行操作时,我将如何遍历此数据框列表?在这种情况下,假设调整通货膨胀?
任何帮助或指导将不胜感激,谢谢!
解决方案
这应该作为您提供的信息的指导,
library(tidyverse)
# Simulate multiple data
# that has been loaded by some
# read_data-function
data_list <- list(
mtcars,
diamonds,
iris
)
# Iterate through the list
# of data with some function
data_list <- data_list %>% map(
.f = function(x) {
x %>% mutate(
row_id = row_number()
)
}
)
这里我们加载data
并存储在一个列表中——它模拟我们当时读取一个数据。我们在 using 上应用了一些功能dplyr
。它输出list
相同长度的a!
请参阅使用 Dplyr进行编程以获取有关对数据实施自定义的更多信息functions
。
如果您想在 中执行此操作parallel
,这也是可能的 - 但这是特定于操作系统的。如果你在,UNIX
那么mclapply()
就是你的首选功能。
你要求一些指导,这是我可以用你提供的信息提供的。
推荐阅读
- tensorflow - 哪些是与 tensorflow 1.15 gpu 兼容的最新 CUDA 和 cudnn 版本?我在 tensorflow 网站上找不到
- python - matplotlib 中带有变量的多行标题
- python - NameError:调用 yahoo_fin.options.get_expiration_dates() 时未定义名称“HTMLSession”
- c# - 将类从一个 C# 项目导入到另一个项目时,是否可以排除自动生成的文件?
- prolog - 将返回值从谓词传递给 Prolog 中的另一个谓词
- css - ant-design-vue 表格缺少排序图标
- git - 使用 git 对所有 https 存储库进行证书检查失败,但只有 1 个用户
- c - 如何用确定的值初始化数组?
- authentication - 为 OTRS 启用本地和 LDAP 配置
- python - 向rabbitmq队列添加多个队列