如何计算这些数据的时区？

Question

我有一个非常大的客户反馈数据集，我想删除重复项。

反馈如下：

Great service!, n days ago
OK, n days ago
Could be better, n days ago
Awesome, n days ago
YES!, n days ago 

为了获得每个反馈的时间戳，我从文件下载到我的计算机（例如2015-07-06 EST - 5 days = 2015-07-01）的时间中减去了n days ago（例如5 days ago）。

问题是我不知道我下载的服务器的时区，即记录反馈的时间，所以来自同一客户的一些相同的反馈被记录了两次。服务器已关闭，我无法访问。

例子：

Feedback, Timestamp
Great service!, 2015-07-05 00:00
Great service!, 2015-07-04 02:00
OK, 2015-04-07 09:00
OK, 2015-04-06 17:00
Could be better, 2015-08-08 01:00
Could be better, 2015-08-07 13:00
Awesome, 2015-07-10 03:00 
Awesome, 2015-07-09 19:00   
YES!, 2015-03-20 03:00 
YES!, 2015-03-19 13:00 

假设无法从服务器获取时区，有没有办法可以根据我在这里提供的数据计算时区？想不通，希望有大神帮忙！

Answer 1

在这种情况下，很难断定评论是重复的。如果您愿意将相同的“反馈”视为重复，可以使用dplyr 如下过滤第一行：

library(dplyr)
df <- data.frame(Feedback = c('Great service!', 'Great service!', 'OK', 'OK', 'Could be better', 'Could be better', 'Awesome', 'Awesome', 'YES!', 'YES!', 'Whatever'), Timestamp = as.POSIXct(c('2015-07-05 00:00', '2015-07-04 02:00',
                                      '2015-04-07 09:00', '2015-04-06 17:00',
                                      '2015-08-08 01:00', '2015-08-07 13:00',
                                      '2015-07-10 03:00', '2015-07-09 19:00',
                                      '2015-03-20 03:00', '2015-03-19 13:00',
                                      '2015-04-19 01:00')), stringsAsFactors = FALSE)
df <- df %>% arrange(Feedback, Timestamp) %>% group_by(Feedback) %>% slice(1)

或者，如果你想使用某种时间增量阈值，你可以使用filter这样的条件：

df <- df %>% arrange(Feedback, Timestamp) %>% group_by(Feedback) %>% filter(n() == 1 | as.numeric(difftime(max(Timestamp), min(Timestamp), units = 'mins')) < 60)

如果您想计算时间增量，请按照以下方法操作。如您所见，它们高于我上面用作示例的 60 分钟阈值：

df <- df %>% arrange(Feedback, Timestamp) %>% group_by(Feedback) %>% summarise(timedelta = as.numeric(difftime(max(Timestamp), min(Timestamp), units = 'mins')))
df
Source: local data frame [6 x 2]

         Feedback timedelta
            (chr)     (dbl)
1         Awesome       480
2 Could be better       720
3  Great service!      1320
4              OK       960
5        Whatever         0
6            YES!       840

更新：根据下面的评论，要始终保留第一次出现，请使用以下内容：

df <- df %>% arrange(Feedback, Timestamp) %>% group_by(Feedback) %>% mutate(Timedelta = as.numeric(difftime(Timestamp, lag(Timestamp), units = 'mins'))) %>% filter(is.na(Timedelta) | Timedelta > 60) %>% select(-Timedelta)

我正在创建一个额外的列并取消选择它以使事情更容易理解。有一种方法可以将表达式组合到过滤器本身，这有点复杂。