Работа с уникальными значениями в масштабе (для циклов, применить или Plyr)

Question

Я не уверен, возможно ли это, но если это так, то жизнь станет намного эффективнее.

Общая проблема, которая была бы интересна более широкому сообществу SO: циклы for (и базовые функции, такие как apply) применимы для общих / согласованных операций, таких как добавление X в каждый столбец или строку фрейма данных. У меня есть общая / непротиворечивая операция, которую я хочу выполнить, но с уникальными значениями для каждого элемента фрейма данных.

Есть ли способ сделать это более эффективно, чем подмножество моего фрейма данных для каждой группировки, применение функции с конкретными числами относительно этой группировки, а затем рекомбинация? Мне все равно, если это цикл for или применить, но бонусные баллы, если он использует функциональность Plyr.

---

Вот более конкретная проблема, над которой я работаю: у меня есть данные ниже. В конечном счете, я хочу получить данные для временных рядов с датой, и каждый столбец представляет отношение региона к некоторому эталону.

Проблема: степень интереса для каждого региона различна, как и критерий. Вот данные:

library(dplyr)
library(reshape2)

data <- data.frame(
    region = sample(c("northeast","midwest","west"), 100, replace = TRUE),
    date = rep(seq(as.Date("2010-02-01"), length=10, by = "1 day"),10),
    population = sample(50000:100000, 10, replace = T),
    skiers = sample(1:100),
    bearsfans = sample(1:100),
    dudes = sample(1:100)
)

и итоговая рамка, над которой я работаю:

data2 <- data %.%
    group_by(date, region) %.%
    summarise(skiers = sum(skiers), 
            bearsfans= sum(bearsfans), 
            dudes = sum(dudes), 
            population = sum(population)) %.%
    mutate(ppl_per_skier = population/skiers,
            ppl_per_bearsfan = population/bearsfans,
            ppl_per_dude = population/dudes) %.%
    select(date, region, ppl_per_skier, ppl_per_bearsfan , ppl_per_dude)

Вот сложная часть:

• Что касается Северо-Востока, я забочусь только о "ppl_per_skier", а тест 3500
• Для Среднего Запада меня интересует только "ppl_per_bearsfan", а тест 1200
• Для Запада меня интересует только "ppl_per_dude", а тест - 5000

Любой из предложенных мной способов решения этой проблемы заключается в создании подмножеств для каждой меры, но делать это в масштабе с сотнями мер и различными контрольными показателями... не идеально. Например:

midwest <- data2 %.% 
            filter(region == "midwest") %.%
            select(date, region, ppl_per_bearsfan) %.%
            mutate(bmark = 1200, against_bmk = bmark/ppl_per_bearsfan-1) %.%
            select(date, against_bmk)

и аналогично для каждого региона, его соответствующей меры и соответствующего ориентира, а затем объединяем их все по дате. В конечном счете, я хочу что-то вроде этого, где производительность каждого региона по отношению к его конкретному эталону и оценке выкладывается по дате (это, конечно, поддельные данные):

        date midwest_againstbmk northeast_againstbmk west_againstbmk
1 2010-02-10          0.9617402            0.6008032       0.3403260
2 2010-02-11          0.5808621            0.5119942       0.7787559
3 2010-02-12          0.4828346            0.6560053       0.3747920
4 2010-02-13          0.6499841            0.7567194       0.8387461
5 2010-02-14          0.6367520            0.4564254       0.7269161

Есть ли способ получить данные и структуру такого рода без необходимости делать X подмножеств для каждой группы, когда у меня есть уникальные показатели и контрольные значения для каждой группы?

Answer 1

Кажется очевидным вариантом использования mapply:

> mapply(function(d,y,b) {(b/d[,y])-1},
         split(data2,data2$region), 
         c('ppl_per_bearsfan','ppl_per_skier','ppl_per_dude'), 
         c(1200,3500,5000))
          midwest   northeast      west
 [1,] -0.26625428 -0.02752186 3.5881957
 [2,]  0.48715638  1.89169295 2.6928546
 [3,] -0.94222992  1.26065537 4.0388343
 [4,] -0.38116663  0.79572184 1.4118364
 [5,] -0.05937874  2.05459482 1.8822015
 [6,] -0.41463925  1.60668461 1.5914408
 [7,] -0.31211391  1.21093777 2.7517886
 [8,] -0.88923466  0.44917981 1.2251965
 [9,] -0.02781965 -0.24637182 2.7143103
[10,] -0.46643682  1.28944776 0.6246315