按日期分組ID

Question

我有一個三列id，dtstart，dtend的數據表。例如：

id start  end 
1 01/01/2015 31/01/2015 
1 02/02/2015 28/02/2015 
1 01/07/2016 31/07/2016 
1 01/08/2016 31/08/2016 
2 01/03/2015 31/03/2015 
2 01/04/2015 30/04/2015 
2 01/02/2016 28/02/2016 
2 01/03/2016 31/03/2016 
... 

我需要創建的ID與同列，但新的開始日期是在原起始日期的最小日期和新的結束日期分組的另一個數據表是在原來的最大日期DTEND。

如果在結束日期和下一個開始日期之間有一天的休息時間超過一天，那麼它應該單獨分組。

例如，對於新表上面會：

id start  end 
1  01/01/2015 28/02/2015 
1  01/07/2016 31/08/2016 
2  01/03/2015 30/04/2016 
2  01/02/2016 31/03/2016 
... 

我需要一個for循環或者是有一個更有效的方法（數據表分組爲例）？該表超過2000萬行，包含100k +獨特的ID。

乾杯 安德魯

Answer 1

這可以通過使用dplyr

dt.new <- dt %>% 
      arrange(id, start, end) %>% 
      mutate(gr = cumsum(lag(id, default = min(id)) != id | 
         as.numeric(difftime(start, lag(end, default = first(start)), units = 'days')) > 1)) %>% 
      group_by(id, gr) %>% 
      summarise(start = first(start), 
        end = last(end)) 

結果做的是：

Source: local data frame [6 x 4] 
Groups: id [?] 

    id gr  start  end 
    <int> <int>  <dttm>  <dttm> 
1  1  0 2015-01-01 2015-01-31 
2  1  1 2015-02-02 2015-02-28 
3  1  2 2016-07-01 2016-08-31 
4  2  3 2015-03-01 2015-04-30 
5  2  4 2016-02-01 2016-02-28 
6  2  5 2016-03-01 2016-03-31  

這工作，你的輸出，因爲你申請了爲期一天的不匹配保證金（如果您需要兩天的保證金，則從>1切換到>2），2016年是閏年，這是R的內部日曆。因此2016年2月28日至2016年3月1日期間的保證金爲2天。

Answer 2

再次感謝@ akash87

例如下面一行是6個月內，所以它應該仍然2006年1月2日返回一行ID 1至30/09/2006，但它打破了一分爲二，首先，從2006年1月2日至2006年12月6日，然後從2006年1月7日至30/09/2016

id dtstart  dtend 
1 01/02/2006 28/02/2006 
1 01/03/2006 31/03/2006 
1 01/04/2006 30/04/2006 
1 01/05/2006 31/05/2006 
1 01/06/2006 30/06/2006 
1 10/06/2006 12/06/2006 
1 01/07/2006 31/07/2006 
1 01/08/2006 31/08/2006 
1 01/09/2006 30/09/2006 
2 01/04/2006 30/04/2006 
2 01/05/2006 31/05/2006 
2 01/09/2006 30/09/2006 
2 01/10/2006 31/10/2006 

因此而不是返回

id start  end 
1 01/02/2006 30/09/2006 
2 01/04/2006 31/05/2006 
2 01/09/2006 31/10/2006 

我們有

id start  end 
1 01/02/2006 12/06/2006 
1 01/07/2006 30/09/2006 
2 01/04/2006 31/05/2006 
2 01/09/2006 31/10/2006 

安德魯