在 R 中定义大数据帧的年间隔的函数

Question

我正在研究一个大数据框，以便为提升回归树模型项目准备此数据框。 由于我是 R 和一般编程的新手，所以我被困在数据准备点上。 我已经对这个问题进行了数小时的思考，并且知道我想怎么做。我只是不能在R中做到这一点。 我的数据框基本上是这样的：

start.date 和end.date 表示公司（例如C1）一直是我的潜在公司的客户的时间间隔。公司 1 是 2009 年 1 月 1 日至 2009 年 12 月 31 日以及未来两年内的客户。变量amount.x 是支付给我公司客户的金额。

> df <- data.frame(company,start.date,end.date,amount.x)
> df

      company start.date   end.date amount.x
    1      C1 01/01/2009 31/12/2009       10
    2      C1 01/01/2010 31/12/2010       20
    3      C1 01/01/2011 31/12/2011        5
    4      C2 01/01/2009 31/12/2009        7
    5      C2 01/01/2010 31/12/2010       12
    6      C2 01/01/2011 31/12/2011       11

我正在尝试添加一个新列，显示不同公司成为我公司客户的年限。 问题是start.date 和end.date 之间的时间间隔并不总是正好是一年。有时公司已成为客户一个月，但这仍应显示为客户 1 年。 它应该是这样的：

> df <- data.frame(company,start.date,end.date,amount.x,Years.as.customer)
> df
      company start.date   end.date amount.x   Years.as.customer
    1      C1 01/01/2009 31/12/2009       10   1
    2      C1 01/01/2010 31/12/2010       20   2 
    3      C1 01/01/2011 31/12/2011        5   3
    4      C2 01/01/2009 31/12/2009        7   1
    5      C2 01/01/2010 31/12/2010       12   2
    6      C2 01/01/2011 31/12/2011       11   3 

我认为这可以通过为每家公司定义一个开始日期来实现。因此，如果出现df$company 中的新名称，请从同一行中的start.date 中获取日期，并将其保留在df$company 中同一公司的所有行中。下一步应该是计算end.dates 和开始日期之间的时间差。如果差值 df$years 中写入 1。 if: 2=> time diff >1 , write year 2 etc.

这应该适用于具有不同日期（两个日期之间并不总是正好 1 年以及不同的开始和结束日期）和大约 3000 家公司的巨大日期框架。

我正在努力定义一个工作函数并将其应用于整个数据框。

我希望我能简要地解释一下这个问题以及我想要解决的问题。如果有任何不清楚的地方，请随时提出问题。我会尽量回答清楚。

谢谢你们的帮助，伙计们。

编辑：重叠年份的问题。 （@休）

为了彻底解决我描述的问题，我正在处理最后一个问题： 我结合使用了 dplyr 和 lubridate 包，使用了 Hugh 的解决方案（参见 cmets）。看看下面代码写的结果

company   start.date  end.date   Years.as.customer
    C20   2010-07-10  2010-09-30  1
    C20   2010-07-10  2011-06-30  2
    C20   2010-07-10  2011-06-30  2
    C20   2010-07-10  2011-06-30  2
    C20   2010-07-10  2011-06-30  2 
    C20   2010-07-10  2011-06-30  2
    C20   2010-10-01  2010-12-31  1
    C20   2011-01-01  2011-03-31  2
    C20   2011-04-01  2011-06-30  2

问题在于，C20 公司成为客户的时间只有一年。如果将第一行作为开始，则所有日期（从 start.date 列中的第一个日期到 end.date 列中的最后一个日期）都在一年内。 我猜当 end.date 列中的年份从 2010 年到 2011 年发生变化时，Years.as.customer 列中的值也会从 1 变为 2。对于所有给定的行，它应该保持为 1，因为时间间隔仍然

提前致谢。

Answer 1

我认为这可以满足您的需求：

library(dplyr)
library(lubridate)

df$start.date <- as.Date(df$start.date, format="%d/%m/%Y")
df$end.date <- as.Date(df$end.date, format="%d/%m/%Y")

  df %.% 
  group_by(company) %.% 
  # mutate(Years.as.customer = year(end.date) - min(year(start.date)) + 1)
  mutate(Years.as.customer = 
           ceiling((end.date - min(start.date))/365.25))


# months
library(zoo)
df %.%
  group_by(company) %.%
  mutate(Months.as.customer = as.yearmon(end.date) - min(as.yearmon(start.date)) + 1)