计算特定日期和今天之间的天数r

时间:2015-02-18 23:09:15

标签: r

数据:

 DB <- data.frame(orderID  = c(1,2,3,4,5,6,7,8,9,10),     
   orderDate = c("1.1.14","16.3.14","11.5.14","21.6.14","29.7.14", 
        "2.8.14","21.9.14","4.10.14","30.11.14","2.1.15"),  
   itemID = c(2,3,2,5,12,4,2,3,1,5),  
   price = c(29.90, 39.90, 29.90, 19.90, 49.90, 9.90, 29.90, 39.90, 
              14.90, 19.90),
   customerID = c(1, 2, 3, 1, 1, 3, 2, 2, 1, 1),
   dateofbirth = c("12.1.67","14.10.82","6.8.87","12.1.67","12.1.67",
           "6.8.87","14.10.82","14.10.82","12.1.67","12.1.67")

预期结果[希望我算出正确的天数]:

1.daystilllastorder(here 18.02.2015) = c("47", "137", "200", "47",
"47", "200", "137", "137", "47", "47")
2.daysbetweenthelastorders = c("33", "13","83","33", "33", "83", "13", "13", "33", "33",)

大家好,

不幸的是我有3个新问题我无法单独解决 - 所以如果你偷看再帮助我,我会很高兴:)在数据集中每个订单都有自己的ID,每个注册用户都有他唯一的customerID 。每个客户都可以订购具有特定价格的物品(带有ItemID)。用户将他/她的出生日期写在数据库中(如上所示:D)我想要 1.计算从最后一个订单(每个客户)到今天的天数。 2.计算实际(最新)和最新订单之间的天数 3.总计订单之间的天数

  1. 上一整年的订单数量(不是今天(2015年2月23日) - 全年:这里1.1.2014-31.12.2014)当系统日期切换到2016年时,它应该显示我的数量2015年的订单等等:希望这是可以理解的......
  2. 已经尝试过这样,但它不起作用:

    setDT(DB)[, orderDate := as.Date(orderDate, format = "%Y-%m-%d")] 
    DB[, daystilllastorder := sum(seq[max(orderDate),Sys.Date(),  by = customerID]
    DB$orderDate <- as.factor(DB$orderDate)     
    

    希望你能告诉我什么是错的,或者告诉我另一个解决问题的可能性......

    干杯和THX!

1 个答案:

答案 0 :(得分:2)

这是一个可能的解决方案(我不知道我是否正确理解了3点,但似乎你想要订单之间的平均差异?)

首先我们将orderDate转换为实际日期类,然后一切都是直接的

setDT(DB)[, orderDate := as.Date(orderDate, "%d.%m.%y")]

DB[,  `:=`(
           daystillastord = Sys.Date() - max(orderDate),
           daysbetlastord = if(.N == 1L) "first order" else as.character(max(orderDate) - max(orderDate[orderDate != max(orderDate)])),
           meandiff = mean(diff(orderDate)),
           OrdsLastFullYear = sum(year(orderDate) == year(Sys.Date()) - 1)
           ),
   by = customerID][]

#     orderID  orderDate itemID price customerID dateofbirth daystillastord daysbetlastord meandiff OrdsLastFullYear
#  1:       1 2014-01-01      2  29.9          1     12.1.67        52 days             33     91.5                4
#  2:       2 2014-03-16      3  39.9          2    14.10.82       142 days             13    101.0                3
#  3:       3 2014-05-11      2  29.9          3      6.8.87       205 days             83     83.0                2
#  4:       4 2014-06-21      5  19.9          1     12.1.67        52 days             33     91.5                4
#  5:       5 2014-07-29     12  49.9          1     12.1.67        52 days             33     91.5                4
#  6:       6 2014-08-02      4   9.9          3      6.8.87       205 days             83     83.0                2
#  7:       7 2014-09-21      2  29.9          2    14.10.82       142 days             13    101.0                3
#  8:       8 2014-10-04      3  39.9          2    14.10.82       142 days             13    101.0                3
#  9:       9 2014-11-30      1  14.9          1     12.1.67        52 days             33     91.5                4
# 10:      10 2015-01-02      5  19.9          1     12.1.67        52 days             33     91.5                4