R-使用开始和结束日期计算一段时间内的项目计数答案

【问题标题】：R- Calculate a count of items over time using start and end datesR-使用开始和结束日期计算一段时间内的项目计数
【发布时间】：2014-12-05 02:03:29
【问题描述】：

我想使用开始和结束日期计算一段时间内的项目计数。

一些样本数据

START <- as.Date(c("2014-01-01", "2014-01-02","2014-01-03","2014-01-03"))
END <- as.Date(c("2014-01-04", "2014-01-03","2014-01-03","2014-01-04"))
df <- data.frame(START,END)
df

给予

       START        END
1 2014-01-01 2014-01-04
2 2014-01-02 2014-01-03
3 2014-01-03 2014-01-03
4 2014-01-03 2014-01-04

显示这些项目在时间上的计数（基于它们的开始和结束时间）如下：

DATETIME    COUNT
2014-01-01   1 
2014-01-02   2 
2014-01-03   4 
2014-01-04   2

这可以使用 R 来完成，尤其是使用 dplyr 吗？非常感谢。

【问题讨论】：

@RichardScriven。每行定义一个从 START 到 END 的时间段。例如，2014-01-03 是此处显示的所有四个周期的一部分。

标签： r duration dplyr

【解决方案1】：

这样就可以了。您可以根据需要更改列名。

as.data.frame(table(Reduce(c, Map(seq, df$START, df$END, by = 1))))
#         Var1 Freq
# 1 2014-01-01    1
# 2 2014-01-02    2
# 3 2014-01-03    4
# 4 2014-01-04    2

如 cmets 中所述，上述解决方案中的 Var1 现在是一个因素，而不是日期。要将日期类保留在第一列中，您可以对上述解决方案做更多的工作，或者使用plyr::count 而不是as.data.frame(table(...))

library(plyr)
count(Reduce(c, Map(seq, df$START, df$END, by = 1)))
#            x freq
# 1 2014-01-01    1
# 2 2014-01-02    2
# 3 2014-01-03    4
# 4 2014-01-04    2

【讨论】：

请注意，如果将Reduce 替换为do.call，它仍然有效。
请注意，Var1 现在是一个因素，而不是日期。

【解决方案2】：

你可以使用data.table

library(data.table)
DT <- setDT(df)[, list(DATETIME= seq(START, END, by=1)), by=1:nrow(df)][,
                           list(COUNT=.N), by=DATETIME]
 DT
 #     DATETIME COUNT
 #1: 2014-01-01     1
 #2: 2014-01-02     2
 #3: 2014-01-03     4
 #4: 2014-01-04     2

从 1.9.4+ 版本开始，您还可以使用函数 foverlaps() 进行“重叠连接”。它更有效，因为它不必先扩展每一行的日期，然后再计算。方法如下：

require(data.table) ## 1.9.4
setDT(df) ## convert your data.frame to data.table by reference

## 1. Some preprocessing:
# create a lookup - the dates for which you need the count, and set key
dates = seq(as.Date("2014-01-01"), as.Date("2014-01-04"), by="days")
lookup = data.table(START=dates, END=dates, key=c("START", "END"))

## 2. Now find overlapping coordinates 
# for each row in `df` get all the rows it overlaps with in `lookup`
ans = foverlaps(df, lookup, type="any", which=TRUE)

现在，我们只需按yid（=lookup 中的索引）分组并计数：

## 3. count
ans[, .N, by=yid]
#    yid N
# 1:   1 1
# 2:   2 2
# 3:   3 4
# 4:   4 2

第一列对应lookup中的行号。如果缺少某些数字，则它们的计数为 0。

【讨论】：

这是使用foverlaps() 的重叠连接的情况，方法是创建另一个 data.table，其中包含 OP 想要找到重叠的所需日期。想试试看。
@Arun 感谢您编辑和显示foverlaps。
天哪。作为一个新的 R 用户，我对解决这些问题的各种方法感到惊讶。我有一些事情要做。另外，感谢 Richard Scriven 澄清我的问题。我非常感谢所有人提供的帮助。这太棒了。

【解决方案3】：

使用 dplyr 和分组数据：

data_frame(
            START = as.Date(c("2014-01-01", "2014-01-02","2014-01-03","2014-01-03")),
            END   = as.Date(c("2014-01-04", "2014-01-03","2014-01-03","2014-01-04"))
           ) -> df
rbind(cbind(group = 'a', df),cbind(group = 'b', df)) %>% as_data_frame->df
df

df %>% 
  group_by(.,group) %>% 
  do(data.frame(table(Reduce(c, Map(seq, .$START, .$END, by = 1)))))

这是一个常见问题，例如，当您想在每个用户的时间间隔内查找不同页面/机器等上的登录次数时

> df
Source: local data frame [8 x 3]

  group      START        END
  (chr)     (date)     (date)
1     a 2014-01-01 2014-01-04
2     a 2014-01-02 2014-01-03
3     a 2014-01-03 2014-01-03
4     a 2014-01-03 2014-01-04
5     b 2014-01-01 2014-01-04
6     b 2014-01-02 2014-01-03
7     b 2014-01-03 2014-01-03
8     b 2014-01-03 2014-01-04
> 
> df %>% 
+   group_by(.,group) %>% 
+   do(data.frame(table(Reduce(c, Map(seq, .$START, .$END, by = 1)))))
Source: local data frame [8 x 3]
Groups: group [2]

  group       Var1  Freq
  (chr)     (fctr) (int)
1     a 2014-01-01     1
2     a 2014-01-02     2
3     a 2014-01-03     4
4     a 2014-01-04     2
5     b 2014-01-01     1
6     b 2014-01-02     2
7     b 2014-01-03     4
8     b 2014-01-04     2

【讨论】：

【解决方案4】：

使用dplyr 和foreach：

library(dplyr)
library(foreach)

df <- data.frame(START = as.Date(c("2014-01-01",
                                   "2014-01-02",
                                   "2014-01-03",
                                   "2014-01-03")),
                 END = as.Date(c("2014-01-04",
                                 "2014-01-03",
                                 "2014-01-03",
                                 "2014-01-04")))
df

r <- foreach(DATETIME = seq(min(df$START), max(df$END), by = 1),
             .combine = rbind) %do% {
  df %>%
    filter(DATETIME >= START & DATETIME <= END) %>%
    summarise(DATETIME, COUNT = n())
}
r

【讨论】：

【解决方案5】：

我刚刚在更新的相关 SO 帖子 here 中提出了另一种基于 lubridate 的解决方案，该解决方案对于具有宽日期范围的较大数据帧更快。

【讨论】：