【问题标题】:converting activity start- and end-time into binned data for multiple groups in R dplyr/tidyr将活动开始和结束时间转换为 R dplyr/tidyr 中多个组的分箱数据
【发布时间】:2015-04-10 04:07:43
【问题描述】:

我的数据看起来像这样:

foo <- data.frame(userid = c("a","a","b","b","b"),
                  activity = factor(c("x","y","z","z","x")),
                  st=c(0, 20,   0, 10, 25), # start time
                  et=c(20, 30, 10, 25, 30)) # end time

对于每个用户 ID,我希望将活动数据转换为五分钟的时间段。结果看起来像这样:

result <- data.frame(userid = c("a", "b"),
                         x1 = c("x", "z"),
                         x2 = c("x", "z"),
                         x3 = c("x", "z"),
                         x4 = c("x", "z"),
                         x5 = c("y", "z"),
                         x6 = c("y", "x"))

下面的方法有效,但是相当麻烦而且速度很慢。在我的中等大小的数据集上,这大约需要 15 分钟。

library(dplyr)
library(tidyr)

lvls <- levels(foo$activity)

time_bin <- function(st, et, act) {
  bins <- seq(0, 30, by=5)
  tb <- as.integer(bins>=st & bins<et)*as.integer(act)
  tb[tb>0] <- lvls[tb]
  data.frame(tb=tb, bins=bins)
}

new_foo <- 
  foo %>% 
  rowwise() %>%
  do(data.frame(., time_bin(.$st, .$et, .$activity))) %>%
  select(-(activity:et)) %>%
  group_by(userid) %>%
  subset(tb>0) %>%
  spread(bins, tb)

有没有更快或更方便的方法来解决这个问题?

【问题讨论】:

  • 我们能否在输入中假设每个用户的活动是 a) 不重叠 b) 两者之间没有间隙 c) 按增加的时间排序?也许您可以提供更长的(随机种子生成的)输入来对性能进行压力测试?您的意思是说您的代码仅在五行输入上就花费了 15 分钟?

标签: r performance dplyr binning


【解决方案1】:

你可以试试:

library(data.table)
library(reshape2)

dt = setDT(foo)[,seq(min(st)+5,max(et),5),.(userid,activity)]
dcast(dt, userid~V1, value.var='activity')
#  userid 5 10 15 20 25 30
#1      a x  x  x  x  y  y
#2      b z  z  z  z  z  x

【讨论】:

  • 谢谢 - 这工作做得很好。仍然对使用 dplyrtidyr 的任何改进/更快的解决方案感兴趣。我发现它们的语法更简单易懂,尽管在这种情况下data.table 似乎要快一些。
猜你喜欢
  • 1970-01-01
  • 2020-05-20
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 2020-07-08
相关资源
最近更新 更多