如何使用循环或应用函数计算两个日期范围之间变量的平均值？

Question

我正在尝试计算某个日期范围（例如，从 7 月 21 日到 7 月 28 日）之间设备数量的平均值。

这就是我的数据的样子，例如：

# A tibble: 580,742 x 14
   country_region_~ country_region sub_region_1 sub_region_2 census_fips_code date      
   <chr>            <chr>          <chr>        <chr>        <chr>            <date>    
 1 US               United States  NA           NA           NA               2020-02-15
 2 US               United States  NA           NA           NA               2020-02-16
 3 US               United States  NA           NA           NA               2020-02-17
 4 US               United States  NA           NA           NA               2020-02-18
 5 US               United States  NA           NA           NA               2020-02-19
 6 US               United States  NA           NA           NA               2020-02-20
 7 US               United States  NA           NA           NA               2020-02-21
 8 US               United States  NA           NA           NA               2020-02-22
 9 US               United States  NA           NA           NA               2020-02-23
10 US               United States  NA           NA           NA               2020-02-24
# ... with 580,732 more rows, and 8 more variables:
#   retail_and_recreation_percent_change_from_baseline <dbl>,
#   grocery_and_pharmacy_percent_change_from_baseline <dbl>,
#   parks_percent_change_from_baseline <dbl>,
#   transit_stations_percent_change_from_baseline <dbl>,
#   workplaces_percent_change_from_baseline <dbl>,
#   residential_percent_change_from_baseline <dbl>, date2 <date>, date3 <date>

而且我能够使用此代码手动计算日期范围之间的平均值：

library(dplyr)
retailavg <- google.mobility %>% 
    mutate(weekrange = date >= "2020-02-15" & date <= "2020-02-21") %>% 
    filter(weekrange) %>% 
    group_by(sub_region_2) %>% 
    summarise(avgretail = mean(retail_and_recreation_percent_change_from_baseline))

循环是我最糟糕的噩梦，但如果有任何方法可以创建循环/应用，这样我就不必手动执行每个日期范围，它肯定会有所帮助！我是一个绝对的初学者，所以任何建议都会有所帮助！

Answer 1

我不知道您的所有摘要期间是否会在同一天对齐（“星期对齐”），所以我已经回答了这两个问题。坦率地说，即使一切都完全按周对齐，也可以使用不按周对齐的答案，所以如果你认为你需要灵活性，那就去吧。

每周对齐的日期范围

如果它总是“按周”（无论它们在哪一天对齐），那么您可以简单地计算周数并按该变量分组。

library(dplyr)
dat %>%
  mutate(week = as.integer(date - as.Date("2020-02-15")) %/% 7) %>%
  group_by(week) %>%
  summarize(
    startdate = min(date), enddate = max(date),
    avgval = mean(val)
  )
# # A tibble: 53 x 4
#     week startdate  enddate    avgval
#    <dbl> <date>     <date>      <dbl>
#  1    -7 2020-01-01 2020-01-03  0.525
#  2    -6 2020-01-04 2020-01-10  0.568
#  3    -5 2020-01-11 2020-01-17  0.460
#  4    -4 2020-01-18 2020-01-24  0.657
#  5    -3 2020-01-25 2020-01-31  0.468
#  6    -2 2020-02-01 2020-02-07  0.494
#  7    -1 2020-02-08 2020-02-14  0.444
#  8     0 2020-02-15 2020-02-20  0.391
#  9     1 2020-02-22 2020-02-28  0.472
# 10     2 2020-02-29 2020-03-06  0.502
# # ... with 43 more rows

其中的诀窍是我们将周滚动调整到任意日期（您的 "2020-02-15" 此处），因此一周中的那一天以及该天在一年中的每一次重复都将代表每个窗口的开始.下面是一个示例：

dat %>%
  mutate(week = as.integer(date - as.Date("2020-02-15")) %/% 7) %>%
  group_by(week) %>%
  filter(week == 0 | (week == -1 & row_number() == n()) | (week == 1 & row_number() == 1))
# # A tibble: 17 x 3
# # Groups:   week [3]
#    date          val  week
#    <date>      <dbl> <dbl>
#  1 2020-02-14 0.814     -1
#  2 2020-02-15 0.130      0
#  3 2020-02-15 0.811      0
#  4 2020-02-15 0.0691     0
#  5 2020-02-16 0.476      0
#  6 2020-02-16 0.537      0
#  7 2020-02-16 0.207      0
#  8 2020-02-18 0.210      0
#  9 2020-02-18 0.521      0
# 10 2020-02-18 0.998      0
# 11 2020-02-18 0.946      0
# 12 2020-02-18 0.309      0
# 13 2020-02-18 0.440      0
# 14 2020-02-18 0.0271     0
# 15 2020-02-20 0.148      0
# 16 2020-02-20 0.0295     0
# 17 2020-02-22 0.972      1

在这里您可以看到0 组包含"2020-02-15" 到"2020-02-21" 的范围（即使此随机数据中没有02-21）。这里的实际数字 -1、0、1 完全是任意的，我们只是将它们用于它们的分组属性。

未按周对齐

这可以在没有循环的情况下使用“non-equi”或“range”连接来完成。不幸的是，dplyr 本身并不支持它（尽管它间接支持它与dbplyr::sql_on），但这里有一些替代方案：data.table、sqldf 和fuzzyjoin（与dplyr）：

library(data.table)
datDT <- as.data.table(dat)
ranges <- data.table(
  date    = as.Date(c("2020-02-15", "2020-03-01", "2020-09-14")),
  enddate = as.Date(c("2020-02-21", "2020-03-05", "2020-09-30"))
)
ranges
#          date    enddate
# 1: 2020-02-15 2020-02-21
# 2: 2020-03-01 2020-03-05
# 3: 2020-09-14 2020-09-30
datDT[ranges, on = .(date >= date, date <= enddate)] %>%
  .[, .(enddate = max(date), avgval = mean(val)), by = .(date)]
#          date    enddate      avgval
# 1: 2020-02-15 2020-02-15 0.390515534
# 2: 2020-03-01 2020-03-01 0.533702911
# 3: 2020-09-14 2020-09-14 0.479576581

（第一行范围故意与上面相同，显示相同的平均值 0.391。）这会影响ranges 的左连接；如果dplyr 支持非等连接，那么它将是left_join(ranges, dat, ...)。 （实际上，请查看此答案底部的 fuzzyjoin 选项。）

同样，

# library(sqldf)
sqldf::sqldf("
  select r.date, r.enddate, avg(val) as avgval
  from ranges r
    left join dat d on r.date <= d.date and r.enddate >= d.date
  group by r.date")
#         date    enddate      avgval
# 1 2020-02-15 2020-02-21 0.390515534
# 2 2020-03-01 2020-03-05 0.533702911
# 3 2020-09-14 2020-09-30 0.479576581

最后，你可以使用fuzzyjoin:

fuzzyjoin::fuzzy_left_join(
  ranges, dat, by = c("date" = "date", "enddate" = "date"),
  match_fun = list(`<=`, `>=`)) %>%
  group_by(date = date.x) %>%
  summarize(enddate = max(enddate), dateavgval = mean(val))
# # A tibble: 3 x 3
#   date       enddate    dateavgval
#   <date>     <date>          <dbl>
# 1 2020-02-15 2020-02-21      0.391
# 2 2020-03-01 2020-03-05      0.534
# 3 2020-09-14 2020-09-30      0.480

---

数据：

set.seed(42)
dat <- data.frame(
  date = as.Date("2020-01-01") + sample(365, size = 1000, replace = TRUE) - 1,
  val = runif(1000)
)
dat <- dat[order(dat$date),]
str(dat)
# 'data.frame': 1000 obs. of  2 variables:
#  $ date: Date, format: "2020-01-01" "2020-01-01" "2020-01-02" "2020-01-02" ...
#  $ val : num  0.517 0.184 0.255 0.845 0.839 ...