Tengo un código en R que me dice si la póliza de mi base de datos es nueva o no. Para ello tengo la BBDD ordenada por titular y fecha de emision luego le aplico este bucle:
#Format dates
emision <- as.POSIXct(datos$Fecha_Emision_Poliza, format= "%Y-%m-%d", tz="UTC")
anulacion <- as.POSIXct(datos$Fecha_Anulacion, format= "%Y-%m-%d", tz="UTC")
#Todo a TRUE
datos$Nuevos_Clientes[1] <- "T"
#La primera póliza a TRUE las demás a FALSE
for (t in 2:nrow(datos)) {
datos$Nuevos_Clientes[t] <- "T"
if (datos$Cod_Titular_Poliza[t]==datos$Cod_Titular_Poliza[t-1]){
datos$Nuevos_Clientes[t] <- "F"
}
}
#Defino vector con índices
vec <- vector(length = nrow(datos))
vec <- which(datos$Nuevos_Clientes == "T")
vec[length(vec)+1] <- nrow(datos)+1
#Creo una función para calcular el máximo de las anulaciones anteriores
max_anula <- function( q, w) {
voc <- vector(length = q-w)
for (m in w:(q-1)) {
voc[m-w+1]<- anulacion[m]
}
maxi <- max(voc, na.rm = TRUE)
return(maxi)
}
#Recorre las pólizas
s <- 1
for (h in vec){
s <- s+1
if(h==max(vec) | s == length(vec)+1){
break
}
else if (vec[s]-vec[s-1]==1){
next}
else {
for (i in (h+1):(vec[s]-1)){
print(cat("Esta es i: ",i,"\n"))
print(cat("Esta es s: ",s,"\n"))
print(cat("Esta es h: ",h,"\n"))
if(emision[i]==emision[i-1]){
datos$Nuevos_Clientes[i]<-datos$Nuevos_Clientes[i-1]
}
else if (is.na(anulacion[i-1]==TRUE)){
for (n in i:(vec[s]-1)) {
datos$Nuevos_Clientes[i]<- "F" #Como hay una arriba "Activa" todos los de abajo "F"
}
break #rompe el bucle ya no tengo que mirar más pólizas de este titular
} else if (emision[i]<anulacion[i-1]){
datos$Nuevos_Clientes[i]<- "F"
}
else if (as.numeric(emision[i])< max_anula(i-1, h)){ #Compruebo que la fecha más reciente de las anulaciones anteriores
#es mayor que la fecha de emision de la poliza
datos$Nuevos_Clientes[i]<- "F"
}
else
datos$Nuevos_Clientes[i]<- "T"
}
}
}
El bucle funciona perfectamente. Por ejemplo, cargo una muestra como esta:
Y siendo una muestra de 100.000 filas R resuelve el bucle en menos de dos minutos. Ahora bien, cuando uso IBM SPPS Modeler 18.1 con un nodo de transformación de R tarda horas. En Modeler solo cambio el nombre del dataset por modelerData. Creo la nueva variable con:
modelerData$Nuevos_Clientes <- Nuevos_Clientes
Luego creo una variable con los nuevos metadatos:
newVar <- c(fieldName="Nuevos_Clientes", fieldLabel="", fieldStorage="string", fieldMeasure="", fieldFormat="", fieldRole="")
Y los guardo en modeler:
modelerDataModel <- cbind(modelerDataModel, newVar)
¿Alguien sabe por qué tarda tanto en ejecutarse en Modeler? He probado con una muestra de 1000 filas y Modeler lo hace en menos de 30 segundos, luego probé con 10.000 filas y Modeler lo hace en menos de un minuto. ¿Cómo puede ser que al ponerle 100.000 tarde tanto?
Muchas gracias.
modelerDataModel
? ¿Que tamaño tiene?. Mi sugerencia rápida, agrega un salida que vaya mostrando la hora en las partes principales del código:print(Sys.time())
, luego analiza que parte se lleva la mayor parte del tiempo, y ahí nos dices.modelerDataModel
, lo que puedo decir es quecbind()
para agregar columnas termina haciendo una copia completa del objeto, si éste tiene un volumen importante, este puede ser posible cuello de botella.