Question

我每秒测量一次化合物浓度。我想平均30和60秒。我一直在阅读这里的帖子，我尝试了lubridate和dplyr。但没有运气。我正在努力使这项工作，但我无法做到这一点。我正在从SAS过渡到R，所以请耐心等待。

这是我的数据：

head (data)#show the first 6 rows

   Date     Time  Temp      Appb    Bppb    Cppb     Dppb    Eppb      Fppb

1 10/30/17 21:32:33 25.23 -0.469304 22.4445 35.5993 -18.4843 52.0488 -2.947340   
2 10/30/17 21:32:34 25.23 -1.255780 21.8248 34.2364 -20.9051 47.4344 -2.071230  
3 10/30/17 21:32:35 25.23 -0.769233 21.1590 30.5892 -20.9347 42.6061 -0.991607  
4 10/30/17 21:32:36 25.23 -0.874262 21.3353 25.4841 -19.6127 38.3224 -0.452383  
5 10/30/17 21:32:37 25.24 -0.819439 21.1916 21.4919 -16.5991 36.1331 -0.150002  
6 10/30/17 21:32:38 25.24 -1.895730 21.5345 18.0576 -17.2539 31.7448 -0.311064

Answer 1

嗯，您可以执行以下操作：

data$time_bucket <- 
  as.POSIXct(round(as.numeric(as.POSIXct(paste(data$Date, data$Time), format="%m/%d/%y %H:%M:%S"))/30)*30, origin='1970-01-01')

这似乎有点牵扯，但它会做到以下几点：

as.POSIXct(paste(data$Date, data$Time), format="%m/%d/%y %H:%M:%S")将日期和时间列粘贴在一起，以创建一个“日期时间”对象。
as.numeric将其转换为“纪元”号 - 自1970-01-01以来的秒数
除以30，舍入并乘以30 - 这将创建30秒的桶。四舍五入到相同数字的所有时间在四舍五入后将具有相同的“标签”。
最后使用as.POSIXct将其转换为“datetime”。

完成所有这些操作后，您可以按时间段取平均值，例如使用dplyr：

data %>% group_by(time_bucket) %>%
  summarize(mean(Temp))

希望这能回答你的问题。

Answer 2

以下是来自period.apply的{{1}}的另一种解决方案：

xts

<强>结果：

library(lubridate)
library(xts)

data_ts = as.xts(data[-c(1:2)], mdy_hms(paste(data$Date, data$Time)))

ep = endpoints(data_ts, 'seconds', k = 30)

period.apply(data_ts, ep, FUN = mean)

由于您的所有样本数据都在30秒内，因此每列只能得到一个平均值。要验证我的答案是否真的有效，您可以尝试2秒钟的意思：

                        Temp      Appb     Bppb     Cppb      Dppb    Eppb      Fppb
2017-10-30 21:32:38 25.23333 -1.013958 21.58162 27.57642 -18.96497 41.3816 -1.153938

<强>结果：

test_ep = endpoints(data_ts, 'seconds', k = 2)

period.apply(data_ts, test_ep, FUN = mean)

数据：

Temp Appb Bppb Cppb Dppb Eppb Fppb 2017-10-30 21:32:33 25.230 -0.4693040 22.44450 35.5993 -18.4843 52.04880 -2.9473400 2017-10-30 21:32:35 25.230 -1.0125065 21.49190 32.4128 -20.9199 45.02025 -1.5314185 2017-10-30 21:32:37 25.235 -0.8468505 21.26345 23.4880 -18.1059 37.22775 -0.3011925 2017-10-30 21:32:38 25.240 -1.8957300 21.53450 18.0576 -17.2539 31.74480 -0.3110640

Answer 3

这是完整性的data.table和lubridate方法。

library(data.table)
library(lubridate)

dat <- read.table(text = "Date     Time  Temp      Appb    Bppb    Cppb     Dppb    Eppb      Fppb
                          1 10/30/17 21:32:33 25.23 -0.469304 22.4445 35.5993 -18.4843 52.0488 -2.947340   
                          2 10/30/17 21:32:34 25.23 -1.255780 21.8248 34.2364 -20.9051 47.4344 -2.071230  
                          3 10/30/17 21:32:35 25.23 -0.769233 21.1590 30.5892 -20.9347 42.6061 -0.991607  
                          4 10/30/17 21:32:36 25.23 -0.874262 21.3353 25.4841 -19.6127 38.3224 -0.452383  
                          5 10/30/17 21:32:37 25.24 -0.819439 21.1916 21.4919 -16.5991 36.1331 -0.150002  
                          6 10/30/17 21:32:38 25.24 -1.895730 21.5345 18.0576 -17.2539 31.7448 -0.311064   ",
                  header = T, stringsAsFactors = F)

#convert to R date object 
dat$tme <- as.POSIXct(strptime(paste(dat$Date, dat$Time), format = "%m/%d/%y %H:%M:%S"), tz = "America/Montreal")

#convert to data.table
dat <- as.data.table(dat)

#drop Date and Time since we have an R date object now
dat <- dat[,-c(1,2)]

#result
dat[, lapply(.SD, mean), .(tme = round_date(tme, "3 seconds"))]

由于样本数据都在30秒内（与上面的答案相同），我四舍五入到3秒。

结果如下：

    tme     Temp      Appb     Bppb     Cppb      Dppb     Eppb       Fppb
1: 2017-10-30 21:32:33 25.23000 -0.862542 22.13465 34.91785 -19.69470 49.74160 -2.5092850
2: 2017-10-30 21:32:36 25.23333 -0.820978 21.22863 25.85507 -19.04883 39.02053 -0.5313307
3: 2017-10-30 21:32:39 25.24000 -1.895730 21.53450 18.05760 -17.25390 31.74480 -0.3110640

我个人更喜欢data.table方法，特别是对于较大的数据集，因为它的速度和子集和执行操作的方便性。

R中的时间平均值

3 个答案: