使用 data.table 按组计算和格式化行之间的时间差答案

【问题标题】：using data.table to calculate and format time difference between rows by group使用 data.table 按组计算和格式化行之间的时间差
【发布时间】：2013-12-30 22:02:40
【问题描述】：

我是 data.table“场景”的新手，所以如果我的问题过于简单，我深表歉意。我一直处于必须应用一些分析或子集由唯一 ID 分组的一些数据的位置。通常，每个唯一 ID 大约有 1,000 行，大约有 30 个唯一 ID。因此，我被建议切换到 data.table 而不是试图找出 lapply 或 sapply 或 plyr 包。

这是我的数据类型的示例

    structure(list(ID = c(1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 3L, 3L, 
3L, 3L, 3L, 4L, 4L, 4L, 4L, 4L, 4L, 4L), dt = structure(c(1138366975, 
1138370472, 1138374064, 1138377669, 1138381264, 1138384873, 1138388503, 
1138399312, 1138402842, 1138406507, 1138413700, 1138417261, 1138420848, 
1138424444, 1138428071, 1138431695, 1138435287, 1138438938, 1138442428, 
1138446098), class = c("POSIXct", "POSIXt"), tzone = "GMT")), .Names = c("ID", 
"dt"), row.names = c(NA, -20L), class = "data.frame")

我把它转换成data.table

X = data.table(test)

将我的“关键”设置为个人

setkey(X,ID)

那么目标是以 HOURS 为单位计算（目前我希望这很容易）时差。因此，通过 Time2-Time1 来获取每个连续位置之间的小时和分钟（在本例中为 ID）。

X[, diff:=c(NA,diff(dt)),by = ID]

此处的 diff 命令以分钟为单位进行计算，但我想以最有效的方式将其转换/舍入为小时，同时仍将值保留为 POSIX 或时间对象。我知道我可能会创建另一列并将 diff 除以 60。但我希望有某种方法可以键入 "hours" 或 "minutes" 或某处。因为我不了解 data.table 如何处理时间。我已经尝试在data.frame 中使用for 循环使用difftime 命令来执行此操作，但是它非常麻烦，并且将数据链接回原始数据框让我感到困惑，因为我不精通for 循环。

一旦我将数据分成几个小时，我只想选择相隔 0.5 小时、相隔 4 小时、相隔 12 小时的数据。在 data.table 中我还没有弄清楚该怎么做

【问题讨论】：

标签： r diff data.table

【解决方案1】：

这是一种方法，但可能不是最有效的......

X[ , diff := c( NA_character_ , difftime( tail( dt , -1 ) , head( dt , -1 ) , units = "hours" ) ) , by = ID ]
#    ID                V1
# 1:  1                NA
# 2:  1 0.971388888888889
# 3:  1 0.997777777777778
# 4:  1  1.00138888888889
# 5:  2                NA

【讨论】：

你能解释一下为什么你必须引用'tail(dt,-1)'和head版本吗？我不明白为什么这会起作用。我不清楚为什么你必须提到“最后一个”或尾巴而不是最后一个（-1）？另外， NA_character_ 在说什么？这是命令还是指其他东西？
另外，当我运行这个命令时，它似乎产生了一个“新”表？不确定，但基本上它不会简单地在 data.table 的末尾添加一个附加列？我尝试添加类似X$timediff<-X[ , c( NA_character_ , difftime( tail( dt , -1 ) , head( dt , -1 ) , units = "hours" ) ) , by = ID ] 的内容并收到一条错误消息，新的信息列更像是与 1 个变量关联的 3 个新元素的列表。非常混乱。
@Kerry 你混淆了data.frame 和data.table 的语法。不要做X$timediff <- ...。 X[ , c( NA_character_ , ... 是正确的。运行它，然后查看X。您将看到一个新列。 NA_character_ is simply the character version of NA` 需要将结果强制转换为 character 向量，否则 data.table 会抱怨数据类型（数字和字符）不匹配。
至于head和tail...试试吧！例如x <- 1:5; head( x , -1 ); tail( x , -1 )。第一个返回没有最后一个元素的向量，tail 和 -1 的使用返回一个没有第一个元素的向量，因此我们可以从它之前的时间中减去后续时间。（试一下tail(x,-1) - head(x,-1)，就相当于2:5 - 1:4，所以结果是1 1 1 1。
我也进行了更新，因此它将列作为原始 data.table 中的新列返回。我希望现在清楚了。

【解决方案2】：

X[, diff := c(NA,round(diff(dt)/60)),by=ID] 不是更简单吗？似乎没有时间惩罚。

f1 <- function(X){return(X[, diff := {tmp = diff(dt); units(tmp) <- "hours"; c(NA, as.numeric(tmp))}, by=ID][])}
f2 <- function(X){return(X[, diff := c(NA,round(diff(dt)/60)),by=ID])}

library(microbenchmark)
microbenchmark(f1(X),f2(X))
# Unit: milliseconds
#   expr      min       lq   median       uq      max neval
#  f1(X) 4.676918 4.772861 5.233032 5.324829 7.387008   100
#  f2(X) 4.615325 4.854294 5.161371 5.383165 7.147151   100

【讨论】：

我也想过这个，但如果可能的话，想保持它的属性为“时间”对象。所以以防万一下次我想知道这些地点之间发生了多少天或几个月。这种方法确实有效，只是不容易转换为其他计量单位