Поиск значений по линейной интерполяции по r

Question

У меня есть огромные данные, которые мне нужны, чтобы найти значения нескольких переменных на стандартной высоте. Я хочу линейно интерполировать значения других переменных на Height=c(0,100,200,250,400,500) и добавить их в качестве новых столбцов в существующие данные. Вот что я пытался получить значение для одной переменной в качестве стандарта Height=c(0,100,200,250,400,500). Это только для одной переменной:

data2<-approx(data2$Height,data2$ozone,xout=c(0,100,200,250,400,500))

Ожидаемый результат должен быть кадр данных с 18 строк и 4 столбца.

Вот выборочные данные (data2):

ozone  Height  Temp  Wind 
23.224833 0.000000 253.005798 3.631531 
23.750044 35.218689 253.299332 5.178889 
24.589071 70.661133 253.538574 6.892455 
25.619747 106.267334 253.492661 8.050934 
26.443541 142.014648 253.279053 8.648781 
27.235945 213.897034 252.815262 9.263882 
27.698713 286.280518 252.10556 9.269853 
27.865248 359.172363 251.390045 9.3006 
28.361752 432.788086 251.379913 8.90488 
30.279163 507.276733 251.849655 7.817647 
23.048151 0.000000 251.528275 4.174027 
23.477306 34.998413 251.6698 5.630364 
24.16725 70.187622 251.759369 7.237537 
25.239206 105.544006 251.744934 8.859097 
26.319073 141.05011 251.601654 9.928196 
27.409718 212.47052 251.214279 10.75243 
27.825275 284.45282 250.738007 10.812123 
28.214966 357.184631 250.87706 9.980968 
29.726873 430.919983 251.84964 9.139032 
32.482925 505.574097 252.471924 8.063484 
22.369734 0.000000 250.876144 3.82036 
22.916582 34.908447 251.044205 5.281044 
23.732521 70.014038 251.170456 6.970277 
24.998178 105.296021 251.221603 8.801399 
26.30809 140.736084 251.133591 10.039667 
27.572966 212.052795 250.852631 11.118568 
28.233795 283.998474 250.61908 10.677624 
29.079391 356.812012 251.179962 9.466641 
31.244007 430.597534 252.042175 9.016301 
33.636559 505.305542 252.659393 8.103294 

Заранее спасибо за вашу помощь.

UPDATE

Вот желаемый ответ:

Height ozone  Temp  Wind 
     0 23.22483 253.0058 3.631531 
    100 25.43833 253.5007 7.847021 
    200 27.08275 252.9049 9.144964 
    300 27.73006 251.9709 9.275640 
    400 28.14061 251.3844 9.081132 
    500 30.09185 251.8038 7.923858 
     0 23.04815 251.5283 4.174027 
    100 25.07112 251.7472 8.604831 
    200 27.21928 251.2819 10.608513 
    300 27.90858 250.7677 10.634455 
    400 29.09287 251.4418 9.492087 
    500 32.27714 252.4255 8.143790 
    0 22.36973 250.8761 3.820360 
    100 24.80820 251.2139 8.526537 
    200 27.35920 250.9001 10.936230 
    300 28.41962 250.7423 10.411498 
    400 30.34638 251.6846 9.203049 
    500 33.46665 252.6156 8.168133 

Answer 1

Вы просто работать через колонки с помощью lapply. Кроме того, вы не можете добавить свои интерполированные значения в data2. data2 имеет 30 строк, в то время как xout имеет длину 6. Для хранения результата интерполяции требуется другой фрейм данных.

cbind.data.frame(data.frame(Height = 0:5 * 100), 
       lapply(data2[-2], function (u) approx(data2[[2]], u, 0:5 * 100)$y)) 

# Height ozone  Temp  Wind 
#1  0 22.88091 251.8034 3.875306 
#2 100 24.93562 251.5759 8.509502 
#3 200 27.37860 251.2702 10.693545 
#4 300 27.96728 251.9255 9.308131 
#5 400 29.79659 251.7628 9.138091 
#6 500 33.25064 252.5658 8.161940 

---

Последующие

Исходные данные модели выхода в течение 3 дней, и я хочу, чтобы держать его в некоторые стандартные высоты для сравнения с другими данными. Поэтому каждый кадр данных представляет однодневные данные. Поэтому я объединять их в один большой фрейм данных data2 с той же высотой, что и другие переменные, меняются каждый день.

Хорошо, ваш data2 имеет атрибуты времени, и каждые 10 строк соответствуют данным за один день. Ну, вы не должны складывать данные из разных дней за строкой. Если вы сделаете это, вы должны добавить новый столбец, скажем day, чтобы выделить такой тип структуры блока/группы.

Итак, вам действительно нужна независимая линейная интерполяция для каждой информации. Мой первоначальный ответ делает единую интерполяцию, используя все данные за три дня. Поскольку вы привязали значения на Height, это фактически интерполирует среднее значение ozone, Temp и Wind в течение 3 дней. Следующий код дает вам то, что вы ожидаете.

## change my previous code to a function 
result_per_day <- function (dat) { 
    cbind.data.frame(data.frame(Height = 0:5 * 100), 
        lapply(dat[-2], function (u) approx(dat[[2]], u, 0:5 * 100)$y)) 
    } 

datalst <- split(data2, gl(3, 10, labels = 1:3)) 
do.call(rbind.data.frame, lapply(datalst, result_per_day)) 

# Height ozone  Temp  Wind 
#1.1  0 23.22483 253.0058 3.631531 
#1.2 100 25.43833 253.5007 7.847021 
#1.3 200 27.08275 252.9049 9.144964 
#1.4 300 27.73006 251.9709 9.275640 
#1.5 400 28.14061 251.3844 9.081132 
#1.6 500 30.09185 251.8038 7.923858 
#2.1  0 23.04815 251.5283 4.174027 
#2.2 100 25.07112 251.7472 8.604831 
#2.3 200 27.21928 251.2819 10.608513 
#2.4 300 27.90858 250.7677 10.634455 
#2.5 400 29.09287 251.4418 9.492087 
#2.6 500 32.27714 252.4255 8.143790 
#3.1  0 22.36973 250.8761 3.820360 
#3.2 100 24.80820 251.2139 8.526537 
#3.3 200 27.35920 250.9001 10.936230 
#3.4 300 28.41962 250.7423 10.411498 
#3.5 400 30.34638 251.6846 9.203049 
#3.6 500 33.46665 252.6156 8.168133 

Имена строк этого окончательного кадра данных вполне объяснительны. "1.1" к "1.6" в течение 1-й день, в то время как "2.1" к "2.6" в течение 2-й день, и т.д.