有效计算数据帧列的百分位数

Question

此问题是对StackOverflow问题的扩展，要求并回答了here。

我的情况不同，因为我想计算50,000（或更多！）值向量中每个值的百分位数。例如 -

df <- data.frame(val = rnorm(n = 50000, mean = 50, sd = 20)) 
df$val.percentile <- sapply(X = df$val, function(x) ecdf(df$val)(x)) 
head(df) 

是否有一种很好的方法来优化计算每个值的百分位数的过程？基本上我想尽可能地提高效率，因此运行时间尽可能小。

Answer 1

您可以实施dplyr::percent_rank以基于百分位数对每个值进行排名。

df.per <- df %>% 
    mutate(val.percentile = percent_rank(val)) 

编辑

我相信@ 42有更好的选择这一问题。 OP的担忧是大数据集。尽管dplyr::percent_rank速度非常快，但@ 42的答案要快得多。

我增加行数1,000,000跑到下面的代码：

df <- data.frame(val = rnorm(n = 1000000, mean = 50, sd = 20)) 

我原来的回应：

t <- proc.time() 
df <- df %>% 
    mutate(val.percentile = percent_rank(val)) 
proc.time() - t 

user system elapsed 
2.484 0.068 2.554 

@ 42的回答是：

t <- proc.time() 
df$val.percentile.2 <- ecdf(df$val)(df$val) 
proc.time() - t 

user system elapsed 
1.048 0.004 1.048 

所以很明显ecdf执行在给定范围内更好。 val.percentile和val.percentile.2的结果几乎相同。

Answer 2

ecdf已经被矢量化了，没有理由使用apply函数。你可以简单地运行：

df$val.percentile <- ecdf(df$val)(df$val)