R练习50题 - 第一期

写在前面

从这期开始，大猫课堂将会推出一个新的系列：R练习50题，目的是使用50道练习题让大家掌握常用的数据操作，例如寻找每组最大的N个观测等。本练习题来源于Renkun (github.com/renkun-ken/r-data-practice) 在Github上的共享，我们认为它包括了绝大多数实践中会遇到的问题，特别具有代表性。只可惜Renkun并没有提供答案，所以我们在这里提供我们的版本。

我们的所有答案都将使用data.table这个包。我们认为data.table是最优秀的数据处理工具，没有之一。关于data.table的神奇之处以及它和其他工具（例如pandas）的比较，欢迎大家戳它的官网：github.com/Rdatatable/data.table.

拥有data.table的基础会有助于你更快看懂答案，但并非必要。我们会在讲解答案的时候穿插data.table的教学。关于data.table的入门，我们认为最好的教材是它的Github Wiki（ github.com/Rdatatable/data.table/wiki）。

我们已经把所有50题的答案都上传到了我们的Github主页，等不及想先睹为快的同学，请猛戳这里：

“ github.com/Ravin515/r-data-practice”

数据集预览

所有50道练习题都基于同一个股票价格数据集而设计。虽然具有明显的金融背景，但是它和其他学科所遇到的数据集是相通的：在我们的数据集中，每个股票代码symbol和日期date的组合都决定了唯一的一个观测，相当于数据集的key，这种由“横截面”与“时间序列”共同组成的“面板数据”在工作中几乎随处可见。

我们首先使用以下代码导入数据集：

# We only need two packages here 
library(data.table) 
library(stringr) 
# set `data_path` to your dir 
data_path <- "C:/Users/rossz/OneDrive/App/R/stock-datatable-key/data" 
setwd(data_path) 
# read into data 
data <- readRDS("stock-market-data.rds") data[1:5] # show top 5 obs

我们给出数据集前五行的预览：

值得说明的有一下几点：

• 数据集为“面板数据”：包含多个股票（横截面），而每个股票则有多个按照日期排序的变量（时间序列）
• 股票代码symbol 和日期date共同组成了数据集的key，也即每个唯一的symbol 和date组合决定了一个唯一的观测。
• 整个数据集首先按照代码symbol排列，其次按照日期date排列。
• 若干主要变量说明：
  • symbol：股票代码。.SH 结尾的是沪股，.SZ 结尾的是深股
  • date：日期
  • pre_close：昨收盘
  • open：开盘价
  • high：最高价（日内）
  • low：最低价（日内）
  • close：收盘价
  • volume：成交量
  • amount：成交金额
  • industry：行业

练

习1：哪些股票的代码中包含"8"这个数字？

问题分析

首先，我们需要把股票代码symbol中包含8的那些观测找出来。我们可以借助与stringr这个字符串处理包。这一步不难，稍微有些挑战的是去重。如果我们不去重，那么我们会得到非常多的重复观测。例如股票600128，如果它一共有100天的观测，那么我们会出现100个重复结果。为了去重，我们需要借助于data.table中的unique函数。

我们希望最终的输出是一个字符串向量：

代码

data[str_detect(symbol, "8"),

unique(symbol)]

• str_detect函数来自stringr包，它的输入是一个char vector，输出则是boolean vector，长度与原向量相同。str_detect(symbol, "8")含义为：对于symbol向量，判断其是否含有字符8，如果有，则为True，否则Faulse。
• unique：找出symbol中不重复的值。
• 在data.table的语法中，先进行列选择操作，再对列进行处理。所以上述语句会先执行str_detect，再执行unique。

练习2：每天上涨和下跌的股票各有多少?

问题分析

这一题需要引入分组的概念，并且按照“先分组，后统计”两步走。首先按照题意，我们需要为每个交易日date建立一个“组”。其次，对于每个组，我们需要生成两个统计数字：一个统计上涨的个数，一个统计下跌的个数。最终结果如下：

可以看到，对于每个date，它都对应了两个观测，一个是“UP”，一个是“DOWN”。

代码分析

data[, 
        .(num = uniqueN(symbol)), 
    keyby = .(date, updown = ifelse(close - pre_close > 0, "UP", "DOWN"))]

• 代码第一行只有一个逗号。这是因为data.table的第一个语句用来对列进行选择，由于我们这里需要对所有列进行统计，所以不需要进行任何操作。
• keyby用来进行分组，是整个代码的核心。先来看keyby = .(date, updown)这个结构，他的意思是，把整个数据集按照date和updown两个变量进行分组，并依次排序。其中，updown是我们新建的字符变量，用来表示分组，它只取两个值：UP, DOWN。这其中的难点是建立updown这个变量。我们使用了ifelse这个函数。ifelse(close - pre_close > 0, "UP", "DOWN")的意思是，如果今天的收盘价高于昨天的收盘价，那么取值UP，反之取值DOWN。
• 代码第二行生成了一个新变量num。由于在keyby语句中我们已经按照日期与涨跌进行了分组，所以这一步我们只需要统计每个组有多少个股票就可以了。我们在这里使用了uniqueN这个函数。它是data.table内置函数之一，和unique几乎执行相同的操作，唯一不同的是，unique返回的是不重复的item（是一个向量），而uniqueN返回的是不重复的数量（是一个数字）。
• 整个代码的执行顺序是：先选择行（逗号空白行），再分组（keyby语句），最后进行组间统计（num语句）。
• 我们的答案中，行、列以及分组三条语句各占一行，实际上这仅仅是为了让代码更直观。如果你愿意，data.table允许你把所有的代码都写在同一行，就像这样：

下期预告

在下一期，我们会继续带来剩余题目的解答~

大猫的R语言课堂

我是大猫，一个高中读文科但却在代码、数学的路上狂奔不止的Finance Ph. D Candidate。

我是村长，一个玩了9年指弹吉他，却被代码深深吸引的博士候选人。

大猫的微信号是：

iRoss2007

村长的B站主页是：http://space.bilibili.com/40771572

大猫的R语言课堂关注R语言、数据挖掘以及经济金融学。

我们与大家分享我们的知识和节操，我相信独乐乐不如众乐乐。