查找不与现有范围重叠的时间的最近范围

Question

我有一个data.table'd1'，带有一个日期时间变量'fdate'：

d1 = data.table(fdate = as.POSIXct("2007-06-23 23:54:54"))

我还有另一个 data.table 'd2'，有两个日期时间变量，'start' 和 'stop'：

d2 = data.table(start = as.POSIXct(c("2007-06-23 00:00:00",  "2007-06-24 00:00:00")),
                stop = as.POSIXct(c("2007-06-23 07:00:00", "2007-06-24 07:00:00")))
#         start                stop
# 1: 2007-06-23 2007-06-23 07:00:00
# 2: 2007-06-24 2007-06-24 07:00:00 # The range closest to "2007-06-23 23:54:54"

我知道如何使用foverlaps 函数来查找重叠范围，即“fdate”在“开始”和“停止”之间的位置。问题是如何找到不包含在任何开始/停止范围内的“fdate”的最近范围？

在示例中，'fdate' 应链接到第 2 行中的范围。这是因为 fdate 在范围 1 之后 +24 小时，但在范围 2 之前仅 4 分钟。

执行此操作的最有效方法是什么？

Answer 1

这是一个使用滚动连接的选项：

mDT <- melt(d2[, rn := .I], id.vars="rn")
d1[, rownum := 
    mDT[.SD, on=.(value=fdate), roll="nearest", rn]]

Answer 2

在这种情况下，将fdate 与每个日期范围之间的距离定义为fdate 与start 或end 之间的绝对距离，以较短者为准，并找到距离最小的日期范围fdate.

fdate = as.POSIXct("2007-06-23 23:54:54")
start1 = as.POSIXct("2007-06-23 00:00:00")
stop1 = as.POSIXct("2007-06-23 07:00:00")
start2 = as.POSIXct("2007-06-24 00:00:00")
stop2 = as.POSIXct("2007-06-24 07:00:00")

which.min(c(min(abs(fdate - start1), abs(fdate - stop1)), 
            min(abs(fdate - start2), abs(fdate - start2))))

[1] 2

Answer 3

OP 已要求

找到不包含在任何fdate 中的最近范围 start/stop范围

如果fdate 是包含在一个范围内，有两种可能的解释：

• 找到下一个最近的不同范围，或
• 返回NA。

以下方法可用于获得两种解释的答案。

找到下一个最近的不同范围

1. 将行号添加到d2，因为这是必填信息
2. 做一个反向滚动连接，找到最近的范围start，它晚于或等于每个fdate，计算时间差
3. 做一个前向滚动连接找到最接近或等于每个fdate的范围stop，计算时间差
4. rbind() 两个子集，因此每个 fdate 有两行
5. 对于每个fdate，选择时差最小或行数较小的范围，以防出现平局
6. 按fdate 排序结果

实现为

d2[, rn2 := .I]
result <- rbind(
  d2[d1, on = .(start = fdate), roll = -Inf, 
     .(rn2 = x.rn2, fdate = i.fdate, delta = x.start - i.fdate)],
  d2[d1, on = .(stop = fdate),  roll = +Inf, 
     .(rn2 = x.rn2, fdate = i.fdate, delta = i.fdate - x.stop)]
)[order(rn2), .(rn2 = rn2[which.min(delta)]), keyby = fdate]

result 

                 fdate rn2
1: 2007-06-22 23:00:00   1
2: 2007-06-23 06:00:00   2
3: 2007-06-23 08:00:00   1
4: 2007-06-23 15:30:00   1
5: 2007-06-23 23:00:00   2
6: 2007-06-24 06:00:00   1
7: 2007-06-24 08:00:00   2

请注意，该用例已扩展为使用fdate 在两个范围之外、内部和之间测试各种配置（请参阅数据部分）。

结果在可视化时更容易验证：

library(ggplot2)
ggplot(result) +
  aes(x = fdate, y = factor(rn2), label = seq.int(nrow(d1)), colour = factor(rn2)) + 
  geom_point() +
  geom_text(nudge_y = 0.1) +
  geom_segment(aes(yend = rn2, x = start, xend = stop, label = NULL), data = d2, size = 2) +
  theme_bw() +
  theme(legend.position = "none") +
  ylab("matching d2 row number")

• 点 1、3、5 和 7 不包含在任何范围内，并且已分配到各自最近的范围 1 或 2。
• 点 4 不包含在任何范围内，但正好位于范围 1 的 stop 和范围 2 的 start 之间的中间，导致距离平局。如果出现平局，order(rn2) 可确保以可预测的方式选择较低的范围。
• 点 2 包含在范围 1 中，并分配给下一个不同范围 2。
• 点 6 包含在范围 2 中，并分配给下一个不同范围 1。

或者，返回NA

对于第二种解释，NA 分配给包含在一个范围内的fdate。为了识别这些情况，使用data.table 的%inrange% 运算符，它比foverlaps() 更易于使用：

result[fdate %inrange% d2[, .(start, stop)], rn2 := NA_integer_][]

                 fdate rn2
1: 2007-06-22 23:00:00   1
2: 2007-06-23 06:00:00  NA
3: 2007-06-23 08:00:00   1
4: 2007-06-23 15:30:00   1
5: 2007-06-23 23:00:00   2
6: 2007-06-24 06:00:00  NA
7: 2007-06-24 08:00:00   2

剧情

表明点 2 和 6 不再分配给任何范围。

数据

library(data.table)
d1 <- data.table(fdate = as.POSIXct(c("2007-06-22 23:00:00", 
                                      "2007-06-23 06:00:00",
                                      "2007-06-23 08:00:00",
                                      "2007-06-23 15:30:00",
                                      "2007-06-23 23:00:00",
                                      "2007-06-24 06:00:00", 
                                      "2007-06-24 08:00:00")))
d2 <- data.table(start = as.POSIXct(c("2007-06-23 00:00:00", "2007-06-24 00:00:00")),
                 stop  = as.POSIXct(c("2007-06-23 07:00:00", "2007-06-24 07:00:00")))