将具有连续日期的行合并为一行，并附带开始和结束日期。

Question

我有一个事件数据框，看起来像这样：

EVENT     DATE       LONG    LAT    TYPE     
1         1/1/2000   23      45     A
2         2/1/2000   23      45     B
3         3/1/2000   23      45     B
3         5/2/2000   22      56     A
4         6/2/2000   19      21     A

我希望将其折叠，使得在相同的位置（由LONG，LAT定义）连续发生的任何事件都被折叠成一个具有START和END日期以及涉及的类型的连接列的单个事件。

因此，上表将变为：

EVENT     START-DATE    END-DATE    LONG    LAT    TYPE     
1         1/1/2000      3/1/2000    23      45     ABB
2         5/2/2000      5/2/2000    22      56     A
3         6/2/2000      6/2/2000    19      21     A

希望能够提供如何最好处理这个问题的建议，不胜感激。

- Stephen Condor

Answer 1

这是 Ronak Shah 解决方案的修改版，将同一位置的非连续事件视为单独的事件周期。

# expanded data sample
df <- data.frame(
  DATE = as.Date(c("2000-01-01", "2000-01-02", "2000-01-03", "2000-01-05",
                   "2000-02-05", "2000-02-06", "2000-02-07"), format = "%Y-%m-%d"),
  LONG = c(23, 23, 23, 23, 22, 19, 22),
  LAT = c(45, 45, 45, 45, 56, 21, 56),
  TYPE = c("A", "B", "B", "A", "A", "B", "A")
)

library(dplyr)

df %>%
  group_by(LONG, LAT) %>%
  arrange(DATE) %>%
  mutate(DATE.diff = c(1, diff(DATE))) %>%
  mutate(PERIOD = cumsum(DATE.diff != 1)) %>%
  ungroup() %>%
  group_by(LONG, LAT, PERIOD) %>%
  summarise(START_DATE = min(DATE),
            END_DATe = max(DATE), 
            TYPE = paste(TYPE, collapse = "")) %>%
  ungroup()

# A tibble: 5 x 6
   LONG   LAT PERIOD START_DATE   END_DATe  TYPE
  <dbl> <dbl>  <int>     <date>     <date> <chr>
1    19    21      0 2000-02-06 2000-02-06     B
2    22    56      0 2000-02-05 2000-02-05     A
3    22    56      1 2000-02-07 2000-02-07     A
4    23    45      0 2000-01-01 2000-01-03   ABB
5    23    45      1 2000-01-05 2000-01-05     A

编辑以添加“PERIOD”变量的解释。

为了简单起见，让我们考虑在同一位置发生的一些连续和不连续事件，这样我们就可以跳过group_by（LONG，LAT）和arrange（DATE）步骤：

# sample dataset of 10 events at the same location. 
# first 3 are on consecutive days, next 2 are on consecutive days,
# next 4 are on consecutive days, & last 1 is on its own.
df2 <- data.frame(
  DATE = as.Date(c("2001-01-01", "2001-01-02", "2001-01-03", 
                   "2001-01-05", "2001-01-06",
                   "2001-02-01", "2001-02-02", "2001-02-03", "2001-02-04",
                   "2001-04-01"), format = "%Y-%m-%d"),
  LONG = rep(23, 10),
  LAT = rep(45, 10),
  TYPE = LETTERS[1:10]
)

作为中间步骤，我们创建了一些辅助变量：

1. "DATE.diff" 计算当前行日期与上一行日期之间的差异。由于第一行没有日期在 "2001-01-01" 之前，我们将差异默认为 1。

2. "non.consecutive" 表示计算出的日期差异是否不是 1（即与前一天不连续），或者是 1（即与前一天连续）。如果您需要考虑数据集中同一位置的同一天事件，则可以将计算从 DATE.diff != 1 更改为 DATE.diff > 1。

3. "PERIOD" 跟踪 "non.consecutive" 变量中 TRUE 结果的数量。从第一行开始，每当一行与前一行不连续时，“PERIOD” 就会增加 1。

由于辅助变量的存在，"PERIOD" 对于每组连续日期都有不同的值。

df2.intermediate <- df2 %>%
  mutate(DATE.diff = c(1, diff(DATE))) %>%
  mutate(non.consecutive = DATE.diff != 1) %>%
  mutate(PERIOD = cumsum(non.consecutive))

> df2.intermediate
         DATE LONG LAT TYPE DATE.diff non.consecutive PERIOD
1  2001-01-01   23  45    A         1           FALSE      0
2  2001-01-02   23  45    B         1           FALSE      0
3  2001-01-03   23  45    C         1           FALSE      0
4  2001-01-05   23  45    D         2            TRUE      1
5  2001-01-06   23  45    E         1           FALSE      1
6  2001-02-01   23  45    F        26            TRUE      2
7  2001-02-02   23  45    G         1           FALSE      2
8  2001-02-03   23  45    H         1           FALSE      2
9  2001-02-04   23  45    I         1           FALSE      2
10 2001-04-01   23  45    J        56            TRUE      3

我们可以将“PERIOD”视为分组变量，以便在每个期间内查找开始/结束日期和事件。

df2.intermediate %>%
  group_by(PERIOD) %>%
  summarise(START_DATE = min(DATE),
            END_DATe = max(DATE), 
            TYPE = paste(TYPE, collapse = "")) %>%
  ungroup()

# A tibble: 4 x 4
  PERIOD START_DATE   END_DATe  TYPE
   <int>     <date>     <date> <chr>
1      0 2001-01-01 2001-01-03   ABC
2      1 2001-01-05 2001-01-06    DE
3      2 2001-02-01 2001-02-04  FGHI
4      3 2001-04-01 2001-04-01     J

- Z.Lin

---

谢谢 - 大部分时间，我认为我在跟进 - 但是我有点困惑 PERIOD 变量代表什么。 - Stephen Condor

@StephenCondor 我已经编辑了我的答案并且加入了解释。如果还不清楚，请告诉我。 - Z.Lin

Answer 2

使用dplyr，我们可以按LAT和LONG进行分组，并选择每个组的最大和最小DATE，然后将TYPE列粘贴在一起。

library(dplyr)
df %>%
   group_by(LONG, LAT) %>%
   summarise(start_date = min(as.Date(DATE, "%d/%m/%Y")), 
             end_date = max(as.Date(DATE, "%d/%m/%Y")), 
             type = paste0(TYPE, collapse = ""))



#   LONG   LAT start_date   end_date  type
#  <int> <int>     <date>     <date> <chr>
#1    19    21 2000-02-06 2000-02-06     A
#2    22    56 2000-02-05 2000-02-05     A
#3    23    45 2000-01-01 2000-01-03   ABB

- Ronak Shah