【发布时间】：2015-09-06 10:34:02
【问题描述】：
假设我有这些数据：
start end duration
1 2.67026 2.903822 0.233562
2 4.40529 5.606470 1.201180
3 9.24340 10.010818 0.767418
4 11.87930 13.414140 1.534840
5 14.78210 15.182492 0.400392
6 16.51720 16.817494 0.300294
7 22.08930 25.125610 3.036310
8 32.13240 33.667240 1.534840
9 45.47880 45.912558 0.433758
10 52.85270 54.454270 1.601570
11 55.62210 56.389518 0.767418
它们代表一分钟内发生的 11 个事件。每个都有一个开始和结束时间（以秒为单位）以及该事件的持续时间（以秒为单位）。
我要计算的是在每 10 秒的 bin/epoch 中花费了多少秒来处理这些事件。
在data.table 中对数据进行分箱的标准方法是：
as.data.table(df)[, .(total = sum(duration)), by = .(INTERVAL = cut(end, seq(0,60,10)))]
INTERVAL total
1: (0,10] 1.434742
2: (10,20] 3.002944
3: (20,30] 3.036310
4: (30,40] 1.534840
5: (40,50] 0.433758
6: (50,60] 2.368988
但是，请注意，事件 3 开始于 9.24340 秒，结束于 10.010818 秒。此方法仅将区间 (0,10) 中前两个事件的持续时间相加。我希望第一个间隔包括 10-9.24340 = 0.7566 秒，即它应该是 2.19132 秒。这个数字应该从第二个间隔中减去，应该是 2.246344 秒。
在此示例中，0-10 / 10-20 秒是事件跨越切点的唯一时间，但是，显然我需要找到一个可以推广到任意数量的潜在切点的解决方案。
我认为一个解决方案可能是将时间转换为日期时间格式（包括毫秒？）并将其用于cut 数据，但是，我无法做到这一点。
编辑遵循@Arun 的回答：
@Arun 的回答很好地解决了上述问题。但是，如果我们想要包含所有区间——即使是总持续时间 = 0 的区间。
例子：
set.seed(1)
df<-
data.frame(
start=c(2.3, 3.5,6.7,9.4,10.4,13.5,16.3,18.1),
duration=runif(8,0,1)
)
df$end<-df$start+df$duration
dt<-data.table(df)
dt
start duration end
1: 2.3 0.2655087 2.565509
2: 3.5 0.3721239 3.872124
3: 6.7 0.5728534 7.272853
4: 9.4 0.9082078 10.308208
5: 10.4 0.2016819 10.601682
6: 13.5 0.8983897 14.398390
7: 16.3 0.9446753 17.244675
8: 18.1 0.6607978 18.760798
按照 Arun 的解决方案：
lookup = data.table(start = seq(0, 18, by = 2), end = seq(2, 20, by = 2))
ans = foverlaps(dt, setkey(lookup, start, end))
ans[, sum(pmin(i.end, end) - pmax(i.start, start)), by=.(start,end)]
结果：
1: 2 4 0.6376326
2: 6 8 0.5728534
3: 8 10 0.6000000
4: 10 12 0.5098897
5: 12 14 0.5000000
6: 14 16 0.3983897
7: 16 18 0.9446753
8: 18 20 0.6607978
请注意，区间 0-2 和 4-6 不包括在结果中。显然，我们可以将它们绑定回去 - 但我想知道这是否可以通过调整 data.table 代码来完成？
【问题讨论】：
-
为什么不将跨越两个 bin 的事件拆分为仅在一个 bin 中的两个事件？另外我建议不要对毫秒数据使用日期时间格式，因为存在一些问题：stackoverflow.com/questions/7726034/…
标签： r data.table