识别时间数据中的空白

Question

编辑：

我找到了解决以下问题的方法，但是，它适用于小型数据集，但仍会在大型数据集上产生错误输出。有人知道为什么吗？我找不到错误。代码如下：

df$continuous <-
  unlist(lapply(split(df, df$ID),
                function(x) {
                  sapply(1:nrow(x),
                         function(y) {
                           any(x$start[y] - x$end[-(y:NROW(x$end))] <= 1)
                         })
                }))

原始问题： 我正在开发一个函数来识别一系列开始/结束日期中的差距。如果开始日期晚于之前任何结束日期的 1 天开始，则输出应为 FALSE。

数据：

df <- data.frame('ID' = c('1','1','1','1','1','1'), 'start' = as.Date(c('2010-01-01', '2010-01-03', '2010-01-05', '2010-01-09','2010-02-01', '2010-02-10')),
                 'end' = as.Date(c('2010-01-03', '2010-01-22', '2010-01-07', '2010-01-12', '2010-02-10', '2010-02-12')))

这是我尝试用x = start 和y = end 解决这个问题：

my_fun <- function(x,y){
  any(x[i] - y[1:NROW(i)-1] <= 1)
}

如果我指定 i 效果很好，但我无法将其包装成一个循环。最终，这个函数应该以dplyr 的方式应用于大型数据集中的组。

它应该是这样的：

  ID      start        end  continuous
1  1 2010-01-01 2010-01-03 FALSE #or TRUE
2  1 2010-01-03 2010-01-22 TRUE
3  1 2010-01-05 2010-01-07 TRUE
4  1 2010-01-09 2010-01-12 TRUE
5  1 2010-02-01 2010-02-10 FALSE
6  1 2010-02-10 2010-02-12 TRUE #according to my function or FALSE compared to start[1] would be even better

非常感谢您对此的帮助。

Answer 1

编辑：我刚刚重新阅读了您的问题...并且您想将开始日期与所有结束日期进行比较。然后尝试使用函数expand.grid

df <- data.frame('ID' = c('1','1','1','1','1','1'), 'start' = as.Date(c('2010-01-01', '2010-01-03', '2010-01-05', '2010-01-09','2010-02-01', '2010-02-10')),
                 'end' = as.Date(c('2010-01-03', '2010-01-22', '2010-01-07', '2010-01-12', '2010-02-10', '2010-02-12')))

df_expand <- as.data.table(expand.grid(df$start,df$end))

这会创建开始/结束之间的所有组合

names(df_expand) = c("start","end")
df_expand[,ID:= 1]
df_expand[,diff_days := difftime(end,start,unit = "days")]
df_expand[,acceptable := any(diff_days<1), by = start]

我们在这里定义什么是可接受的..

df = merge(df,df_expand,by = c("start","end","ID"),all.x=TRUE)

我想..我们可能想要保留原始数据，因此我们将其合并回来并缩小我们拥有的信息。

等等..你能提供一个合适的例子来说明你期望什么和需要什么吗？我刚刚阅读了您的其他评论，现在它让我感到困惑......

Answer 2

您可以使用dplyr 和lubridate 执行此操作。 dplyr 与 lag() 一样非常有用，window functions 非常适合此类分析。

library(tidyverse)
library(lubridate)

df %>% 
  mutate(start - lag(end, 1) == 0)

# ID      start        end start - lag(end, 1) == 0
# 1  1 2010-01-01 2010-01-03                       NA
# 2  1 2010-01-03 2010-01-22                     TRUE
# 3  1 2010-01-05 2010-01-07                    FALSE
# 4  1 2010-01-09 2010-01-12                    FALSE
# 5  1 2010-02-01 2010-02-10                    FALSE
# 6  1 2010-02-10 2010-02-12                     TRUE

您想如何处理数据的第一行？由于没有先前的值，它显示NA。这通常是您应该如何处理此类情况，但如果您希望它具有不同的值，我可以编辑我的答案。