1

我有一个大型数据框（> 800 万行），其中包含对个人和不同站点的观察。我有兴趣查看这些站点与几个关键位置的接近程度（2014 年有 1 个位置，2015 年有 2 个位置）。

为了最大限度地减少计算次数（并加快计算速度），我使用 dplyr 将所有已知位置折叠到每年只有一个代表性站点，然后尝试使用 distGeo 函数计算年份匹配时的距离.

dist <- df %>% 
  mutate(year = year(ts)) %>% #ts is the time stamp for each observation
  select(site, lat, lon, year) %>% 
  group_by(site, lat, lon, year) %>% 
  summarise(n=n()) %>% #if I stop after summarise, the data frame has been reduced to 93 observations
  mutate(dist1 = ifelse(year == "2014",
                        distGeo(c(-64.343043, 45.897932), #coordinates for key location in 2014
                                df[,c("lon", "lat")])/1000, 
                         NA_real_)) #I have a similar lines for the two key locations in 2015

仅运行这部分大约需要 30 分钟，结果是每个 2014 站点的距离为 740.1656 公里。如何修复此代码以提供正确的距离，并在理想情况下加快计算速度？

编辑：

如下所示，这是解决方案：

dist <- df %>% 
  mutate(year = year(ts)) %>%
  select(site, lat, lon, year) %>% 
  group_by(site, lat, lon, year) %>% 
  summarise(n=n()) %>% 
  mutate(dist1 = ifelse(year == "2014",
                     pmap_dbl(list(lon, lat),
                              ~distVincentyEllipsoid(c(-64.343043, 45.897932), 
                                                     c(.x, .y))/1000), 
                     NA_real_)
4

1 回答 1

1

你可以用它purrr::pmap来很快地做到这一点（因为distGeo不是矢量化的）......

library(tidyverse) #for dplyr and purrr
library(geosphere) #for distGeo

df <- data.frame(lat = 90*runif(100), lon = 90*runif(100)) #dummy data

dist <- df %>% 
  mutate(dist1 = pmap_dbl(list(lon, lat),     #pmap_dbl ensures output is vector of numbers
                          ~distGeo(c(-64.343043, 45.897932), 
                                   c(.x, .y)) / 1000))

您需要修改它以包含我忽略的年份和其他变量。

您的代码的问题是df[...]在dplyr以df. 最好只使用上面的裸变量名。

于 2019-01-25T17:36:54.233 回答