Блог

Учитывая таблицу, я пытаюсь научиться использовать R для суммирования переменных в зависимости от того, когда выполняется определенное условие (на основе других переменных в той же таблице).

Используя библиотеку dplyr (я создал некоторые данные), а затем суммировал данные по группам :

 #load library
library(dplyr)

#create data
data <- data.frame(
    
    "col_a" = c("aaa", "aaa", "aaa", "aaa", "aaa", "aaa", "aaa", "aaa"),
    "col_b" = c("123", "124", "125", "126", "127", "128", "129", "130"),
"col_c" = c("2015", "2015", "2015", "2015", "2015", "2015", "2015", "2015"),
"col_d" = c("red", "red", "red", "blue", "blue", "green", "green", "green"),
"day_a" = c("2001-01-01", "2000-01-05", "2000-01-01", "2010-12-20", "2010-12-20", "2020-05-05", "2020-05-05", "2020-05-28"),
"day_b" = c("2001-01-10", "2000-01-10", "2000-01-01", "2010-12-25", "2010-12-22", "2020-05-15", "2020-05-20", "2020-05-30")

)

#format variable types

data$col_a = as.factor(data$col_a)
data$col_b = as.factor(data$col_b)
data$col_c = as.factor(data$col_c)

#format date variables
data$day_a = as.factor(data$day_a)
data$day_b = as.factor(data$day_b)

data$day_1 = as.Date(as.character(data$day_a))
data$day_2 = as.Date(as.character(data$day_b))

#create new variable based on difference between date variables
data$diff = data$day_2 - data$day_1
data$diff = as.numeric(data$diff)

#create file that sums days based on groups of "col_a, col_c, col_d"
file = data%>%
    group_by(col_a, col_c, col_d) %>% 
    dplyr::summarize(Total = sum(diff, na.rm=TRUE), Count = n()) 

file = as.data.frame(file)
 

Теперь, для групп «col_a, col_c, col_d», я хочу суммировать переменную «diff» на основе другого условия.

Например, для группы «aaa, 2015, зеленый» я хочу суммировать только «уникальные дни», то есть дни, которые перекрываются. (2020-05-05, 2020-05-15), ( 2020-05-05, 2020-05-20), (2020-05-28 ,2020-05-30)

Для этой группы мне нужно значение переменной «total» = 15 2 = 17 … вместо «27».

Это связано с тем, что даты (2020-05-05, 2020-05-15) полностью соответствуют датам (2020-05-05, 2020-05-20). Я хочу суммировать только «уникальные» периоды дат.

В итоге я пытаюсь получить что-то похожее на это:

 final_result <- data.frame ( col_a = c("aaa", "aaa", "aaa"),
                             col_c = c("2015", "2015", "2015"), 
                             col_d = c("blue", "green", "red"),
                             total = c("5","17","9"),
count = c("2", "3", "3")
                                 
    )
 

Может кто-нибудь, пожалуйста, показать мне, как это сделать?

Спасибо

Вот подход с purrr::map2 :

Сначала преобразуйте Date столбцы в целочисленные представления. Затем используйте map2 для создания векторов целочисленных последовательностей между двумя датами. Кажется, вы не хотите считать последний день, поэтому я вычел 1 из day 2 .

Теперь у нас есть новый столбец dates , который содержит вектор дат в виде целых чисел.

 library(purrr)
data %>% 
  transmute(dates = map2(as.integer(day_1),as.integer(day_2)-1,seq))
1                                           11323, 11324, 11325, 11326, 11327, 11328, 11329, 11330, 11331
2                                                                       10961, 10962, 10963, 10964, 10965
3                                                                                            10957, 10956
4                                                                       14963, 14964, 14965, 14966, 14967
5                                                                                            14963, 14964
6                                    18387, 18388, 18389, 18390, 18391, 18392, 18393, 18394, 18395, 18396
7 18387, 18388, 18389, 18390, 18391, 18392, 18393, 18394, 18395, 18396, 18397, 18398, 18399, 18400, 18401
8                                                                                            18410, 18411
 

Затем мы можем сгруппировать, как вы делали ранее, и суммировать, не перечисляя даты для определенной группы и используя unique для удаления дубликатов. Затем просто подсчитайте количество дат.

 data %>% 
  mutate(dates = map2(as.integer(day_1),as.integer(day_2)-1,seq)) %>%
  group_by(col_a, col_c, col_d) %>%
  dplyr::summarize(Total = length(unique(unlist(dates))), Count = n())
# A tibble: 3 x 5
# Groups:   col_a, col_c [1]
  col_a col_c col_d Total Count
  <fct> <fct> <chr> <int> <int>
1 aaa   2015  blue      5     2
2 aaa   2015  green    17     3
3 aaa   2015  red      16     3