如果工作日在日期范围之间,则R data.table设置具有逻辑值的新列

时间:2015-08-05 20:37:59

标签: r data.table

我有一个data.table个对象,其中包含两个date列,fromto。我想创建一个新列,以确定特定工作日是否在日期范围之间。

[数据]

library(data.table)
set.seed(1)
DT <- data.table(from=seq.Date(Sys.Date(), Sys.Date()+100, by="day"))[, to:=from+sample(10, 1), by=1:nrow(DT)][, from_wd:=wday(from)][, to_wd:=wday(to)]

> head(DT)
         from         to from_wd to_wd
1: 2015-08-06 2015-08-10       5     2
2: 2015-08-07 2015-08-10       6     2
3: 2015-08-08 2015-08-18       7     3
4: 2015-08-09 2015-08-16       1     1
5: 2015-08-10 2015-08-13       2     5
6: 2015-08-11 2015-08-13       3     5

[我的方法]

在这种情况下,我想添加一个新的booleanflag,如果星期三在TRUE范围内,则返回[from, to]

这是我的尝试:

DT[, flag:=0][DT[, .I[4 %in% unique(wday(seq.Date(from, to, by="day")))], by=1:nrow(DT)][[1]], flag:=1]

> table(DT$flag)

 0  1 
21 80 

[问题]

代码需要花费一些时间才能运行,正如您可以想象的那样,nrow(DT)变大会花费更多时间。

我的问题是:有更好的方法吗?在速度和代码可读性方面更好(我相信我的代码根本不直观)。

3 个答案:

答案 0 :(得分:3)

这是一种方法:

next_wday <- function(d,wd=4L){
    wddiff = wd - wday(d)
    d + wddiff + (wddiff < 0L)*7L
} 


DT[, flag2 := +(next_wday(from) <= to)]

# test:
DT[,table(flag,flag2)]
#     flag2
# flag  0  1
#    0 44  0
#    1  0 57

您的想法是将to与下周四进行比较**。替换线可以用多种方式编写。

<强>基准

OP提到fromto可能相差200天所以......

set.seed(1)
from <- seq(as.IDate("1950-01-01"), by = "day", length = 1e6)
to   <- from + pmin(200,rpois(length(from),1))
DT   <- data.table(from,to)

system.time(DT[, flag2 := +(next_wday(from) <= to)])
#    user  system elapsed 
#    2.11    0.03    2.14

# David Arenburg's solution
system.time({
    DateDT <- DT[, {
                temp <- seq(min(from), max(to), by = "day")
                temp2 <- temp[wday(temp) == 4L]
                list(from = temp2, to = temp2)
               }
             ]
    indx <- foverlaps(DT, setkey(DateDT), nomatch = 0L, which = TRUE)$xid
    DT[, flag := 0L][indx, flag := 1L]
})  
#    user  system elapsed 
#    6.75    0.14    6.89

# check agreement
DT[,table(flag,flag2)]
#     flag2
# flag      0      1
#    0 714666      0
#    1      0 285334

我正在使用IDate,因为它是data.table包附带的日期格式,并且(?)使用起来更快。有几种方法可以使代码更快:

  • 首先,将注意力限制在to-from小于6的行(因为每个工作日任何差距为6或更大)可能会更快,例如

    DT[,flag2:=0L][to-from < 6, flag2 := +(next_wday(from) <= to)]
    
  • 其次,因为计算一次只取决于一行,所以并行化可能会带来一些改进,如@ grubjesic的回答所示。

  • 根据某人真实数据的数据,可能会发现其他改进措施。

这里没有对OP的代码进行基准测试,因为它需要按行拆分数据并且每行最多枚举200个日期,这肯定会很慢。

**或wday为4意味着什么。

答案 1 :(得分:2)

您还可以尝试foverlaps方法

首先将创建从min(from)开始到max(to)结束的所有星期三的数据集

DateDT <- DT[, {
                temp <- seq(min(from), max(to), by = "day")
                temp2 <- temp[wday(temp) == 4L]
                .(from = temp2, to = temp2)
               }
             ]

然后运行foverlaps并提取所需的行

indx <- foverlaps(DT, setkey(DateDT), nomatch = 0L, which = TRUE)$xid

然后通过引用进行简单的更新

DT[, flag := 0L][indx, flag := 1L]
DT[, table(flag)]
#  0  1 
# 44 57 

答案 2 :(得分:0)

这是我的榜样:

QGuiApplication

我的i7处理器上的10万行只需15秒。希望这会有所帮助。