在 R 中构建时间戳数据的月度快照

Question

我面临的一个小问题。这里的理想化例子：

我有一个数据框，其中记录了对保险单的value 进行更改的日期。这看起来像这样：

df <- data.frame(policy_no  = c(1, 1, 1, 1, 2, 2, 2),
                 date_stamp = as.Date(c("2020-01-15", "2020-04-03", "2020-05-31", "2020-07-22", "2020-01-05", "2020-03-17", "2020-06-04" )),
                 value      = c(1000, 2000, 3000, 2000, 500, 1000, 500))

我有两个策略，policy_no 1 和 2。对于每个策略，我想编写一些代码来告诉我每个月 1 日 value 项目的状态。所以我的输出看起来像

df_output <- data.frame(policy_no =  c(rep(1, 8), rep(2, 8)),
                        as_at_date = c(seq(as.Date("2020-01-01"), by = "month", length.out = 8), seq(as.Date("2020-01-01"), by = "month", length.out = 8)),
                        value = c(NA, 1000, 1000, 1000, 2000, 3000, 3000, 2000, NA, 500, 500, 1000, 1000, 1000, 500, 500))

显然我可以编写一个循环来执行此操作（对于每个policy_no，对于每个as_at_date，给我value 以获得date_stamp <= as_at_date 的最新快照），但这会很慢而且很笨重.我可以以某种方式将其矢量化吗？

特别欢迎基于tidyverse 的方法，但无论如何感谢任何建议。

非常感谢。

Answer 1

这是一种方法。首先，为每个策略创建一个月度日期序列。然后，group_by 策略和月度日期，并仅过滤超出日期戳的那些月度日期。最后，使用slice 获取最后一行数据，其中包含最近的值。让我知道这是否是您的想法。

library(tidyverse)
library(lubridate)

df %>%
  group_by(policy_no) %>%
  mutate(as_at_date = list(seq(floor_date(min(date_stamp), unit = "month"), ceiling_date(max(date_stamp), unit = "month"), by = "month"))) %>%
  unnest(cols = as_at_date) %>%
  group_by(policy_no, as_at_date) %>%
  filter(as_at_date > date_stamp) %>%
  slice(tail(row_number(), 1))

如果您想包含一月份的 NA，您可以加入您的日期序列，这样所有月份都将包含在内：

df_dates <- df %>%
  group_by(policy_no) %>%
  mutate(as_at_date = list(seq(floor_date(min(date_stamp), unit = "month"), ceiling_date(max(date_stamp), unit = "month"), by = "month"))) %>%
  unnest(cols = as_at_date) 

df_dates %>%
  group_by(policy_no, as_at_date) %>%
  filter(as_at_date > date_stamp) %>%
  slice(tail(row_number(), 1)) %>%
  right_join(df_dates %>% select(policy_no, as_at_date) %>% distinct()) %>%
  arrange(policy_no, as_at_date) 

输出

# A tibble: 15 x 4
# Groups:   policy_no, as_at_date [15]
   policy_no date_stamp value as_at_date
       <dbl> <date>     <dbl> <date>    
 1         1 NA            NA 2020-01-01
 2         1 2020-01-15  1000 2020-02-01
 3         1 2020-01-15  1000 2020-03-01
 4         1 2020-01-15  1000 2020-04-01
 5         1 2020-04-03  2000 2020-05-01
 6         1 2020-05-31  3000 2020-06-01
 7         1 2020-05-31  3000 2020-07-01
 8         1 2020-07-22  2000 2020-08-01
 9         2 NA            NA 2020-01-01
10         2 2020-01-05   500 2020-02-01
11         2 2020-01-05   500 2020-03-01
12         2 2020-03-17  1000 2020-04-01
13         2 2020-03-17  1000 2020-05-01
14         2 2020-03-17  1000 2020-06-01
15         2 2020-06-04   500 2020-07-01

Answer 2

编辑：更新了按政策和月份排序的 df 请在下面找到解决方案：

df <- data.frame(policy_no  = c(1, 1, 1, 1, 2, 2, 2,1,1,1, 2, 2, 2,1,1,1),
                 date_stamp = as.Date(c("2020-01-15", "2020-04-03", "2020-05-31", "2020-07-22", "2020-01-05", "2020-03-17", "2020-06-04", "2020-01-05", "2020-03-17", "2020-06-04","2020-03-01","2020-02-01","2020-01-01","2020-03-01","2020-02-01","2020-01-01" )),
                 value      = c(1000, 2000, 3000, 2000, 500, 1000, 500,500, 1000, 500, 500, 1000, 500,500, 1000, 500))
df$date <- format(as.Date(df$date_stamp,format="%Y-%m-%d"), format = "%d")
df$month <- format(as.Date(df$date_stamp,format="%Y-%m-%d"), format = "%m")

df_temp <- df[df$date == "01",]
df_temp <- df_temp[order(df_temp$policy_no,df_temp$month),1:3]