Question

请注意，我已经使用dplyr编写了一些代码来完成所需的操作，但是感觉很笨拙，我想知道是否有更优雅的解决方案

我有一个简化的数据框，基本上是这样的：

df = data.frame(
  id = c(1,1,1,2,2,2),
  date = as.Date(c('2018/01/01', '2018/01/02', 
      '2018/01/03', '2018/01/01', '2018/01/02', '2018/06/01'))
)

  id       date
1  1 2018-01-01
2  1 2018-01-02
3  1 2018-01-03
4  2 2018-01-01
5  2 2018-01-02
6  2 2018-06-01

我想获得一个表，该表显示每个ID的第一条记录后30天内的记录数和最后一条记录后30天内的记录数。对于此简单版本，输出应如下所示：

id  start.records   end.records
1   3               3
2   2               1

我可以使用以下代码获得所需的输出：

df %>%
  group_by(id) %>%
  summarize(min.date = min(date)) %>%
  mutate(min.date.plus.30 = min.date + 30) %>%
  fuzzy_left_join(
    df,
    by = list(x=c("id", "min.date.plus.30"), y=c("id", "date")),
    match_fun = list(`==`, `>`)
  ) %>%
  group_by(id.x, min.date) %>%
  summarize(start.records = n()) %>%
  left_join(
    df %>%
      group_by(id) %>%
      summarize(max.date = max(date)) %>%
      mutate(max.date.minus.30 = max.date - 30) %>%
      fuzzy_left_join(
        df,
        by = list(x=c("id", "max.date.minus.30"), y=c("id", "date")),
        match_fun = list(`==`, `<`)
      ) %>%
      group_by(id.x, max.date) %>%
      summarize(end.records = n()),
    by = "id.x"
  )

但这似乎是一个非常微妙的解决方案。

有更好的方法吗？我宁愿不使用sqldf，因为它不容易处理日期计算，而且我的真实数据集有15万多行，甚至简单的sqldf测试查询也要永久运行。

提前感谢您的帮助！

Answer 1

也许我们可以使用

library(data.table)
library(lubridate)
setDT(df)[, .(start.records = sum(date <=  (first(date) + days(30))), 
       end.records = sum(date >= (last(date) - days(30)))), by = id]
#   id start.records end.records
#1:  1             3           3
#2:  2             2           1

或使用dplyr

library(dplyr)
df %>%
   group_by(id) %>%
   summarise(
       start.records = sum(date <=  (first(date) + days(30))), 
       end.records = sum(date >= (last(date) - days(30))))
# A tibble: 2 x 3
#     id start.records end.records
#  <dbl>         <int>       <int>
#1     1             3           3
#2     2             2           1

R-按ID对数据帧进行分组，计算每个ID在开始日期和结束日期范围内的记录数

1 个答案: