入门级别的3个代码问题（Coursera课程疑难点）

花了若干个小时做了一次作业，但水平实在太有限了，只能在这请教下各位大大了，只要懂一些R的应该解决起来都很简单。需要的数据在此： specdata.rar (2.17 MB)

2014-5-19 18:15:32 上传

第一个问题：
写一个名为“pollutantmean'的函数，计算整个指定列表中（specdata）的污染物（(sulfate 或nitrate ）的平均值的函数。函数'pollutantmean'有三个参数：'目录'，'污染'和'ID'。无视编码为NA任何遗漏值。函数原型如下:
pollutantmean <- function(directory, pollutant, id = 1:332) {
        ## 'directory' is a character vector of length 1 indicating
        ## the location of the CSV files

        ## 'pollutant' is a character vector of length 1 indicating
        ## the name of the pollutant for which we will calculate the
        ## mean; either "sulfate" or "nitrate".

        ## 'id' is an integer vector indicating the monitor ID numbers
        ## to be used

        ## Return the mean of the pollutant across all monitors list
        ## in the 'id' vector (ignoring NA values)
}


参考答案：
pollutantmean("specdata", "nitrate", 70:72)
## [1] 1.706
pollutantmean("specdata", "nitrate", 23)
## [1] 1.281


我写的如下：
pollutantmean <- function(directory,pollutant,id=1:332){
  files_list <- dir(directory, full.names=T)
  data <- data.frame()
  for (i in 1:332){
    data <- rbind(data,read.csv(files_list))
  }
  data_subset <- subset(data, data$ID<=max(id)&data$ID<=max(id)&data$ID>=min(id))
  if(pollutant=="sulfate"){
    result<-mean(data_subset$sulfate, na.rm=T)
  }
  if(pollutant=="nitrate"){
    result<-mean(data_subset$nitrate, na.rm=T)
  }
  return (result)
}

我计算的结果都是对的，但是：
1.似乎结果位数过多，且运算可能过久导致Coursera系统自动否定了我的答案，希望得到详细的修改意见~

第二个问题：
写一个函数，这个函数的原型如下：
complete <- function(directory, id = 1:332) {
        ## 'directory' is a character vector of length 1 indicating
        ## the location of the CSV files

        ## 'id' is an integer vector indicating the monitor ID numbers
        ## to be used
        
        ## Return a data frame of the form:
        ## id nobs
        ## 1  117
        ## 2  1041
        ## ...
        ## where 'id' is the monitor ID number and 'nobs' is the
        ## number of complete cases
}

答案示例：
complete("specdata", 30:25)
##   id nobs
## 1 30  932
## 2 29  711
## 3 28  475
## 4 27  338
## 5 26  586
## 6 25  463

我写的：
complete<- function(directory,id=1:332){
  files_list <- dir(directory, full.names=T)
  data <- data.frame()
  for (i in 1:332){
    data <- rbind(data,read.csv(files_list))
  }
  filecom<-vector()
  for (i in id){
    data_subset<-subset(data,data$ID==i)
    data2<-data_subset[,2:3]
    cc<-sum(complete.cases(data2))
    filecom<-rbind(filecom,c(i,cc))
  }
  colnames(filecom)<-c("id","nobs")
  return (filecom) }

1.结果都是对的，但是：
> class(complete("specdata", 30:25))
[1] "matrix"
我希望得到：
> class(complete("specdata", 30:25))
[1] "data.frame"
2.同样，数据运算的非常慢！而且位数蛮多的，希望得到具体意见。

第三个问题：
原型：
corr <- function(directory, threshold = 0) {
        ## 'directory' is a character vector of length 1 indicating
        ## the location of the CSV files

        ## 'threshold' is a numeric vector of length 1 indicating the
        ## number of completely observed observations (on all
        ## variables) required to compute the correlation between
        ## nitrate and sulfate; the default is 0

        ## Return a numeric vector of correlations
这个参考了一位朋友的：
corr <- function(directory,threshold=0){
  filenames <- list.files("specdata", full.names=TRUE)
  n <-length(filenames)
  cr <- numeric()
  
  for (i in 1:332) {
    dat <- data.frame(lapply (filenames, read.csv))
   
    datcomplete <- subset(dat, dat$sulfate != "NA" & dat$nitrate != "NA")
    check <- length(datcomplete$ID)
    if (check >= threshold & check>0) {
      
      cal <- cor(datcomplete$sulfate,datcomplete$nitrate)
      cr <- c(cr, cal)
    }
   
  }
  return(cr)
}

cr <- corr("specdata", 150)
head(cr)
## [1] -0.01896 -0.14051 -0.04390 -0.06816 -0.12351 -0.07589
summary(cr)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
## -0.2110 -0.0500  0.0946  0.1250  0.2680  0.7630
cr <- corr("specdata", 400)
head(cr)
## [1] -0.01896 -0.04390 -0.06816 -0.07589  0.76313 -0.15783
但结果也不太对，head是对的，但后面的有一点点出入...希望得到详细意见。

完全没有编程经验上这个课太痛苦了，希望得到达人的帮助！如果有更简洁的公式希望能直接告诉我，可能我的思路本来就不太好~~

怕看不太清，再传一下好了

关于慢的问题，为什么read.csv的时候要for循环那么多，不就读一个表吗，你那样干就把数据复制了322次，最后算均值结果当然是一样的
直接data<-read.csv(directory)应该就好了

要data.frame可以用as.data.frame

楼主，第一题你的写法运算效率太低了
根据要求，我帮你改成如下：
pollutantmean <- function(directory,pollutant,id=1:332){
  files_list <- dir(directory, full.names=T)
  data <- data.frame()
  for (i in min(id):max(id)){
    data <- rbind(data,read.csv(files_list[i]))
  }
  if(pollutant=="sulfate"){
    result<-mean(data$sulfate, na.rm=T)
  }
  if(pollutant=="nitrate"){
    result<-mean(data$nitrate, na.rm=T)
  }
  return (result)
}

我认为第一题不是效率问题，第一题最大的问题是文件名读取，如何表示出001,002...所以可以采用这段代码：
filenumber<- sprintf("%03d", i)
    filename<-paste( c(directory,"/",filenumber,".csv"), collapse="" )
    datasinglefile<- read.csv(filename)
再给多估计要违反honor code了

第二题 的确用as.data.frame即可，不过你依然应该加上第一题的这段代码，结果是对的只是因为老师没故意出两位数或一位数的文件名。

第三题好难，我做了几次都没出对的结果。。。
我的思路是用na.omit去掉所有文件里NA列，可以有效提高效率。感觉和楼主是一样的。估计小区别还是因为那些100以下文件的读取吧。。。

综上所述，我觉得楼主你的问题还是文件名没对，其他估计问题不大，受限于honor code，不能给更多代码…………

xush4 发表于 2015-4-21 00:56
我认为第一题不是效率问题，第一题最大的问题是文件名读取，如何表示出001,002...所以可以采用这段代码：
...

文件名问题解决后还有问题欢迎继续问，我已经刷到Capstone计划了，应该都会

又发现第一题一个问题：你的pollutant变量没写在里面啊。。。你只考虑了Ni的情况还有别的污染物。。。
还是贴一段代码上来：
    filenumber<- sprintf("%03d", i)
    filename<-paste( c(directory,"/",filenumber,".csv"), collapse="" )
    datasinglefile<- read.csv(filename)
    colsinglefileV <- datasinglefile[,pollutant] #这样可以直接选污染物
这里面pollutant是你指定的污染物。

楼主加油哦，这个做出来后面那个hospital更***

pollutantmean <- function(directory, pollutant, id = 1:332) {
        k <- pollutant
        w <- list.files(directory, full.names = TRUE)
        f <- w[id]
        nc <- length(f)
        da <- data.frame()
        for(i in 1 : nc) {
                da <- rbind(da, read.csv(f[i]))
        }
        mean(da[,k], na.rm = TRUE)
}

complete <- function(directory, id = 1:322){
        z <- list.files(directory, full.names = TRUE)
        x <- z[id]
        no <- numeric(length(x))
        for(i in 1 : length(x)){
                o <- read.csv(x[i])
                pp <- sum(complete.cases(o))
                no[i] <- pp
        }
        coml <- data.frame(id, no)
        colnames(coml) <- c("id", "nobs")
        coml
}