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。
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。