使用R按天汇总时间间隔数据，日期可以重叠

Question

也许答案很显然，但我有点困惑。

我的数据看起来像这样：

> df <- data.frame(person = c("A", "B", "C"), start = c("2014-01-01", "2014-01-02", "2014-01-03"), stop = c("2014-01-05", "2014-01-06", "2014-01-04") )
> df
  person       start       stop
1      A  2014-01-01 2014-01-05
2      B  2014-01-02 2014-01-06
3      C  2014-01-03 2014-01-04

最终我想要绘制每天进行某项活动的总人数，但如果只能统计每天的数量（即在已知开始和结束日期时统计每个日期的总出现次数）也可以。对于上述数据，我想要的答案是：

      Date  Tally
2014-01-01  1
2014-01-02  2
2014-01-03  3
2014-01-04  3
2014-01-05  2
2014-01-06  1

我尝试过的一种方法是使用seq()生成所有日期，但对于长度大于1的开始/停止日期似乎无效：

seq(df$start, df$stop, length = "1 day") ## Does not work

非常感谢您的帮助。

- BeginR

Answer 1

可能的离开方式包括：

as.data.frame(table(unlist(apply(df[-1], 1, 
        function(x) as.character(seq(as.Date(x[1], "%Y-%m-%d"), 
                                     as.Date(x[2], "%Y-%m-%d"), "1 day"))))))
        Var1 Freq
1 2014-01-01    1
2 2014-01-02    2
3 2014-01-03    3
4 2014-01-04    3
5 2014-01-05    2
6 2014-01-06    1

如果你正在寻求效率，那么可以通过避免一些瓶颈来加快相同的答案。首先，注意到在apply循环中每次都调用as.Date。这是因为在循环之前调用它一次不会有任何效果，因为apply强制转换为矩阵，因此日期被强制转换为字符，所以seq将产生错误。其次，您可以避免使用seq的类“Date”的方法的开销。第三，您希望得到天数差异。所有这些都鼓励将日期转换为整数，并在类“numeric”上进行操作。

f1 = function() {  #keeping dates
  as.data.frame(table(unlist(apply(df[-1], 1, 
       function(x) as.character(seq(as.Date(x[1], "%Y-%m-%d"), 
                                    as.Date(x[2], "%Y-%m-%d"), "1 day"))))))
}                                     
f2 = function() {  #using numeric
  df$start = as.numeric(as.Date(df$start, "%Y-%m-%d"))
  df$stop = as.numeric(as.Date(df$stop, "%Y-%m-%d"))
  res = as.data.frame(table(unlist(apply(df[-1], 1, 
                        function(x) seq(x[1], x[2])))))
  res$Var1 = factor(as.Date(as.numeric(as.character(res$Var1)), 
                            origin = "1970-01-01"))
  res                      
}
f1()
#        Var1 Freq
#1 2014-01-01    1
#2 2014-01-02    2
#3 2014-01-03    3
#4 2014-01-04    3
#5 2014-01-05    2
#6 2014-01-06    1
f2()
#        Var1 Freq
#1 2014-01-01    1
#2 2014-01-02    2
#3 2014-01-03    3
#4 2014-01-04    3
#5 2014-01-05    2
#6 2014-01-06    1

并在更大的数据框上进行基准测试：

df = data.frame(person = paste("ID", 1:1e3, sep = ""),
                start = as.Date(sample(Sys.Date() : (Sys.Date()+10), 1e3, T), 
                                origin = "1970-01-01"))
df$stop = df$start + 5
head(df)
#  person      start       stop
#1    ID1 2014-03-07 2014-03-12
#2    ID2 2014-03-01 2014-03-06
#3    ID3 2014-03-04 2014-03-09
#4    ID4 2014-02-28 2014-03-05
#5    ID5 2014-02-27 2014-03-04
#6    ID6 2014-03-07 2014-03-12
identical(f1(), f2())
#[1] TRUE
library(microbenchmark)
microbenchmark(f1(), f2(), times = 10)
#Unit: milliseconds
# expr       min        lq    median        uq       max neval
# f1() 366.90895 368.36777 379.78573 395.82724 410.17782    10
# f2()  31.66473  32.11122  33.04891  33.62642  35.75063    10

- alexis_laz

---

@BeginR 看看我对你的评论所做的一些修改是否有帮助。 - alexis_laz

Answer 2

这个有效：

df[, -1] <- lapply(df[-1], as.Date)

data.frame(table(unlist(lapply(1:nrow(df), function(i) {
    as.character(seq.Date(df$start[i], df$stop[i], "day"))
}))))

##         Var1 Freq
## 1 2014-01-01    1
## 2 2014-01-02    2
## 3 2014-01-03    3
## 4 2014-01-04    3
## 5 2014-01-05    2
## 6 2014-01-06    1

- Tyler Rinker

---

这个也能行，但用在较大的数据集上计算时间很长。 - BeginR