Question

我有如下数据集，我想计算每个唯一ID的平均时差

data:
   membership_id created_date 
1       12000000 2015-01-20   
2       12000001 2012-11-19   
3       12000001 2013-10-07   
4       12000001 2014-03-06   
5       12000001 2015-01-14   
6       12000003 2013-02-08   
7       12000003 2014-03-06
8       12000000 2014-02-05
9       12000000 2012-01-06

从上面的数据集中，我想计算每个唯一ID的日期之间的平均时差

尝试：

 library(plyr)
 data =data[order(data$membership_id,data$created_date),]
 result = ddply(data,.(membership_id),summarize, avg =  as.numeric(mean(diff(created_date))))

当我申请小数据时，上面的代码工作正常，但是我的数据集是500万行，这需要花费很多时间，但仍然是从最近6个小时开始运行

预期产出：

  membership_id  avg_time_diff
 1 12000000       76 days
 2 12000001       56 days
 3 12000003       54 days

Answer 1

来自plyr，您可以很容易地转换到dplyr。它不会像数据表一样快，但它会比ddply 多快。

dat %>% group_by(membership_id) %>%
    arrange(created_date) %>%
    summarize(avg = as.numeric(mean(diff(created_date))))
# Source: local data frame [3 x 2]
#
#   membership_id   avg
#           (int) (dbl)
# 1      12000000   555
# 2      12000001   262
# 3      12000003   391

如果没有更多的实际努力，您可以通过转换为data.table对象来加快速度，但仍然使用dplyr命令。纯data.table仍然会更快。

（使用此数据）

dat = structure(list(membership_id = c(12000000L, 12000001L, 12000001L, 
12000001L, 12000001L, 12000003L, 12000003L, 12000000L, 12000000L
), created_date = structure(c(16455, 15663, 15985, 16135, 16449, 
15744, 16135, 16106, 15345), class = "Date")), .Names = c("membership_id", 
"created_date"), row.names = c("1", "2", "3", "4", "5", "6", 
"7", "8", "9"), class = "data.frame")

如何用R中的ID计算日期之间的平均差异

1 个答案: