Question

关于创建“会话ID”，我对此（Create a "sessionID" based on "userID" and differences in "timeStamp"）提出了类似的问题;虽然我的规格略有不同。也许这个解决方案在这篇文章中仍然很明显，但我无法将其应用到我的需求中 - 指出原始解决方案如何满足我的问题将是等效的。

我的data.table看起来像这样（下面有输入）：

unique_visitor_id        datetime            
100                 2016-07-25 15:43:02      
100                 2016-08-15 15:35:16      
101                 2016-08-01 21:24:46      
101                 2016-08-13 05:32:27      
101                 2016-08-13 05:33:01      
101                 2016-08-13 05:33:37      
101                 2016-08-13 05:34:04      
101                 2016-08-13 05:37:42      
101                 2016-08-13 05:38:20      
102                 2016-09-15 17:28:00      
102                 2016-09-15 17:31:04      
103                 2016-07-18 21:19:07

注意： datetime已通过lubridate

转换为ymd_hms(datetime)中的日期对象

我想要的是一个标识会话的新变量，它是一个简单的整数序列（不需要像原始问题那样包含visitorID） - 会话由访问者定义，只要记录是＆lt; = 30m并且在同一天内。例如，前两行将是两个不同的会话：虽然它是相同的访问者，但时间差异大于30米。

以上数据的所需输出为：

unique_visitor_id        datetime            session_id
100                 2016-07-25 15:43:02           1
100                 2016-08-15 15:35:16           2
101                 2016-08-01 21:24:46           3
101                 2016-08-13 05:32:27           4
101                 2016-08-13 05:33:01           4
101                 2016-08-13 05:33:37           4
101                 2016-08-13 05:34:04           4
101                 2016-08-13 05:37:42           4
101                 2016-08-13 05:38:20           4
102                 2016-09-15 17:28:00           5
102                 2016-09-15 17:31:04           5
103                 2016-07-18 21:19:07           6

如果可以data.table方式完成，那将是可取的。如果我错过了原始问题解决方案中的某些内容，请再次道歉！

以下是dput样本数据表：

myDT <- structure(list(unique_visitor_id = c(100L, 100L, 101L, 
                                 101L, 101L, 101L, 101L, 101L, 101L, 102L, 102L, 103L), 
           datetime = structure(c(1469475782, 1471289716, 1470101086, 1471080747, 1471080781, 
                                            1471080817, 1471080844, 1471081062, 1471081100, 1473974880, 
                                            1473975064, 1468891147), 
                                          tzone = "EST5EDT", class = c("POSIXct", "POSIXt"))), 
      .Names = c("unique_visitor_id", "datetime"), 
      sorted = c("unique_visitor_id", "datetime"), 
      class = c("data.table", "data.frame"), 
      row.names = c(NA, -12L))

Answer 1

假设您的数据框最初按访问者ID和日期时间排序，您可以在条件向量上使用cumsum()，该值为TRUE，其中应显示新的session_id：

myDT[, session_id := cumsum(c(T, diff(unique_visitor_id) != 0 | diff(datetime)/60 > 30))][]

#    unique_visitor_id            datetime session_id
# 1:               100 2016-07-25 15:43:02          1
# 2:               100 2016-08-15 15:35:16          2
# 3:               101 2016-08-01 21:24:46          3
# 4:               101 2016-08-13 05:32:27          4
# 5:               101 2016-08-13 05:33:01          4
# 6:               101 2016-08-13 05:33:37          4
# 7:               101 2016-08-13 05:34:04          4
# 8:               101 2016-08-13 05:37:42          4
# 9:               101 2016-08-13 05:38:20          4
#10:               102 2016-09-15 17:28:00          5
#11:               102 2016-09-15 17:31:04          5
#12:               103 2016-07-18 21:19:07          6

Answer 2

与dplyr相同的想法。

library(dplyr)
library(lubridate)
myDT %>% 
    mutate(new_session = c(0, diff(datetime)) > 30*60 |
                         c(0, diff(unique_visitor_id)) != 0 ) %>%
    mutate(session_id = cumsum(new_session)) %>% print()

顺便说一句，你需要为新用户同时添加一个测试用例（这些答案都应该涵盖这一点）。当然你可以删除new_session列，我发现它很有帮助。

根据用户ID和时差创建会话ID

2 个答案: