1. Usando apply()
Una forma podría ser reemplazando tu ciclo explícito por uno implícito, usando apply()
:
last <- datos[1,"VALOR"]
datos$VALOR2 <- apply(datos, MARGIN=1, FUN = function(x) {if (x[1]=='A') {last<<-x[2]};last})
Explicación:
- Creamos una variable
last
para mantener el último valor
, lo inicializamos con el primero de la tabla (has indicado que el primero siempre es un FLAG == 'A'
)
- Aplicamos a la tabla por fila (
MARGIN=1
) una función con la lógica para obtener el VALOR2
. Nota que para establecer el valor de last
usamos <<-
ya que se trata de una variable global en el contexto de apply()
.
2. Usando cumsum()
Otra forma interesante, muy compacta y elegante, sería:
datos$VALOR2 <- datos[datos$FLAG=='A', 2][cumsum(datos$FLAG=='A')]
Explicación:
- Con
cumsum()
hacemos una suma acumulativa de cada valor de los grupos dónde FLAG=='A'
lo cual nos termina dando un vector del tipo c(1,1,1,2,2,2)
por lo que luego simplemente retornaremos un vector con los valores correspondientes a esos índices.
Resultados:
En cuanto a performance, hay una mejora no diría que abismal pero si significativa en la opción 1. Podríamos verificarlo:
library(data.table)
library(microbenchmark)
FLAG <- c("A","B","C","A","D","D")
VALOR <- c("GRA","VE","DT","RT","MM","SS")
datos <- data.table(FLAG,VALOR)
datos <- datos[,VALOR2:=rep("vacio",nrow(datos))]
test.1 <- function(datos) {
for (i in 1:nrow(datos)){
datos$VALOR2[i] <- ifelse(datos$FLAG[i]=='A',datos$VALOR[i],datos$VALOR2[i-1])
}
}
test.2 <- function(datos) {
last <- datos[1,"VALOR"]
datos$VALOR2 <- apply(datos, MARGIN=1, FUN = function(x) {if (x[1]=='A') {last<<-x[2]};last})
}
test.3 <- function(datos) {
datos$VALOR2 <- datos[datos$FLAG=='A', 2][cumsum(datos$FLAG=='A')]
}
microbenchmark(test.1(datos),test.2(datos),test.3(datos))
Unit: microseconds
expr min lq mean median uq max neval cld
test.1(datos) 565.085 695.5795 702.4884 705.8430 711.5615 1053.633 100 c
test.2(datos) 330.489 340.7520 347.2064 342.9515 348.9630 402.041 100 a
test.3(datos) 420.515 431.3650 479.0263 436.6435 442.2150 3414.849 100 b
Casi un 30% de mejora en la opción 1, esto puede variar en función del volumen de datos, y puede que la opción 2 vaya mejorando su performance.