R数据.表设置新列的逻辑值，如果一个工作日是在日期范围之间

我有一个data.table对象，有两个date列，from和to。我想创建一个新列来确定特定的工作日是否在日期范围之间。

(数据)

library(data.table)
set.seed(1)
DT <- data.table(from=seq.Date(Sys.Date(), Sys.Date()+100, by="day"))[, to:=from+sample(10, 1), by=1:nrow(DT)][, from_wd:=wday(from)][, to_wd:=wday(to)]
> head(DT)
         from         to from_wd to_wd
1: 2015-08-06 2015-08-10       5     2
2: 2015-08-07 2015-08-10       6     2
3: 2015-08-08 2015-08-18       7     3
4: 2015-08-09 2015-08-16       1     1
5: 2015-08-10 2015-08-13       2     5
6: 2015-08-11 2015-08-13       3     5

(我的方法)

在本例中，我想添加一个新的boolean列flag，如果周三在[from, to]的范围内，则返回TRUE。

这是我的尝试:

DT[, flag:=0][DT[, .I[4 %in% unique(wday(seq.Date(from, to, by="day")))], by=1:nrow(DT)][[1]], flag:=1]
> table(DT$flag)
 0  1 
21 80

[问题]

代码需要一些时间来运行，并且可以想象，如果nrow(DT)变大，它将花费更多的时间。

我的问题是:是否有更好的方法来做到这一点?在速度和代码可读性方面更好(我认为我的代码一点也不直观)。

这里有一个方法:

next_wday <- function(d,wd=4L){
    wddiff = wd - wday(d)
    d + wddiff + (wddiff < 0L)*7L
} 

DT[, flag2 := +(next_wday(from) <= to)]
# test:
DT[,table(flag,flag2)]
#     flag2
# flag  0  1
#    0 44  0
#    1  0 57

这个想法是你比较to与下星期四**。替换行可以用多种不同的方式书写。

OP提到from和to可能相隔200天，所以…

set.seed(1)
from <- seq(as.IDate("1950-01-01"), by = "day", length = 1e6)
to   <- from + pmin(200,rpois(length(from),1))
DT   <- data.table(from,to)
system.time(DT[, flag2 := +(next_wday(from) <= to)])
#    user  system elapsed 
#    2.11    0.03    2.14
# David Arenburg's solution
system.time({
    DateDT <- DT[, {
                temp <- seq(min(from), max(to), by = "day")
                temp2 <- temp[wday(temp) == 4L]
                list(from = temp2, to = temp2)
               }
             ]
    indx <- foverlaps(DT, setkey(DateDT), nomatch = 0L, which = TRUE)$xid
    DT[, flag := 0L][indx, flag := 1L]
})  
#    user  system elapsed 
#    6.75    0.14    6.89
# check agreement
DT[,table(flag,flag2)]
#     flag2
# flag      0      1
#    0 714666      0
#    1      0 285334

我使用IDate，因为它是数据自带的日期格式。表包和(?)更快地使用。有两种方法可以使代码更快:

首先，将注意力限制在to-from小于6的行上可能会更快(因为任何间隙6或更大都会有每个工作日)，如
```
DT[,flag2:=0L][to-from < 6, flag2 := +(next_wday(from) <= to)]
```
第二，因为计算一次只依赖于一行，所以并行化可能会带来一些改进，如@grubjesic的回答所示。
根据一个人的真实数据，可能会发现额外的改进。

OP的代码没有在这里进行基准测试，因为它需要按行拆分数据，每行最多枚举200个日期，这肯定会很慢。

**或者不管wday = 4是什么意思

您也可以尝试foverlaps方法

首先将创建从min(from)开始到max(to)结束的所有星期三的数据集

DateDT <- DT[, {
                temp <- seq(min(from), max(to), by = "day")
                temp2 <- temp[wday(temp) == 4L]
                .(from = temp2, to = temp2)
               }
             ]

然后运行foverlaps并提取所需的行

indx <- foverlaps(DT, setkey(DateDT), nomatch = 0L, which = TRUE)$xid

那么通过引用进行简单的更新就可以完成

DT[, flag := 0L][indx, flag := 1L]
DT[, table(flag)]
#  0  1 
# 44 57

下面是我的例子:

library(parallel)
process <- function(){

  from <- seq(as.Date("1950-01-01"), by = "day", length = 100000)
  to <- seq(as.Date("1950-01-04"), by = "day", length = 100000)
  DT <- data.frame(from,to)
  Ncores <- detectCores()
  flagList <- mclapply(1:nrow(DT),function(id){
    4 %in% strftime(seq(as.Date(DT[id,1]), as.Date(DT[id,2]), by="day"), format="%w")
  },mc.cores=Ncores)
  flag <- unlist(flagList)
  return(cbind(DT,flag))
}

在我的i7处理器上处理100k行只需要15秒。

相关内容

最新更新

热门标签：