前导行中的引用数据

Question

我有一个示例数据集，用于跟踪自行车到不同站点的轨迹。我的目标是使用 difftime() 找到自行车在特定站点停留的时间间隔，在本例中为 B 站。

> test
   bikeid start_station           starttime end_station             endtime
1       1             A 2017-09-25 01:00:00           B 2017-09-25 01:30:00
2       1             B 2017-09-25 07:30:00           C 2017-09-25 08:00:00
3       1             C 2017-09-25 10:00:00           A 2017-09-25 10:30:00
4       1             A 2017-09-25 13:00:00           C 2017-09-25 13:30:00
5       1             C 2017-09-25 15:30:00           B 2017-09-25 16:00:00
6       1             B 2017-09-25 18:00:00           B 2017-09-25 18:30:00
7       1             B 2017-09-25 19:00:00           A 2017-09-25 19:30:00
8       1             А 2017-09-25 20:00:00           B 2017-09-25 20:30:00
9       1             C 2017-09-25 22:00:00           C 2017-09-25 22:30:00
10      1             B 2017-09-25 23:00:00           C 2017-09-25 23:30:00 

有时，自行车的起点和终点不在同一个车站，这些情况应该忽略不计。在上面的数据集中，我们可以看到 01:30:00 和 07:30:00 之间过去了 360 分钟，16:00 之间过去了 120 分钟:00 和 18:00:00，以及 18:30:00 和 19:00:00 之间的 30 分钟>。第 8 行和第 10 行被忽略，因为自行车不是在它结束的同一站开始的。因此，输出向量应该是:

[1] 360 120  30

使用以下代码不会产生所需的输出:

sapply(test$starttime[test$end_station == "B"], function(x, et) difftime(et[x < et][1], x, units = "mins"), et = test$endtime[test$start_station == "B"])

只有当下一行的 end_station 和 start_station 相等时，如何考虑下一行并计算 difftime() ？在 dplyr 中使用 lead()？任何建议将不胜感激

这是示例数据:

> dput(test)
structure(list(bikeid = c(1, 1, 1, 1, 1, 1, 1, 1, 1, 1), start_station = c("A", 
"B", "C", "A", "C", "B", "B", "А", "C", "B"), starttime = structure(c(1506315600, 
1506339000, 1506348000, 1506358800, 1506367800, 1506376800, 1506380400, 
1506384000, 1506391200, 1506394800), class = c("POSIXct", "POSIXt"
), tzone = ""), end_station = c("B", "C", "A", "C", "B", "B", 
"A", "B", "C", "C"), endtime = structure(c(1506317400, 1506340800, 
1506349800, 1506360600, 1506369600, 1506378600, 1506382200, 1506385800, 
1506393000, 1506396600), class = c("POSIXct", "POSIXt"), tzone = "")), .Names = c("bikeid", 
"start_station", "starttime", "end_station", "endtime"), row.names = c(NA, 
-10L), class = "data.frame")

Answer 1

reshape as suggested上次...

library(data.table)

mtest = melt(setDT(test), id="bikeid", 
  meas = patterns("_station", "time"), 
  variable.name = "event", 
  value.name = c("station", "time"))
mtest[.(factor(1:2), c("start", "end")), on=.(event), event := i.V2]
setkey(mtest, bikeid, time)

然后在自行车闲置时回到宽阔的咒语......

idleDT = dcast(mtest[-c(1,.N)][, g := rep(1:.N, each=2, length.out=.N)], 
  g ~ rowid(g), value.var=c("station", "time"))

   g station_1 station_2              time_1              time_2
1: 1         B         B 2017-09-25 01:30:00 2017-09-25 07:30:00
2: 2         C         C 2017-09-25 08:00:00 2017-09-25 10:00:00
3: 3         A         A 2017-09-25 10:30:00 2017-09-25 13:00:00
4: 4         C         C 2017-09-25 13:30:00 2017-09-25 15:30:00
5: 5         B         B 2017-09-25 16:00:00 2017-09-25 18:00:00
6: 6         B         B 2017-09-25 18:30:00 2017-09-25 19:00:00
7: 7         A  <U+0410> 2017-09-25 19:30:00 2017-09-25 20:00:00
8: 8         B         C 2017-09-25 20:30:00 2017-09-25 22:00:00
9: 9         C         B 2017-09-25 22:30:00 2017-09-25 23:00:00

然后加入或过滤并计算...

idleDT[.("B", "B"), on=.(station_1, station_2), time_2 - time_1 ]

Time differences in mins
[1] 360 120  30

评论

我可能应该解释为什么我更喜欢长格式 mtest 而不是 OP 的 test，即使我直接回到宽格式进行分析(感谢@Henrik) ...

• 站点可能/应该是一个因素，如果您将其拆分为核心数据中的两列，则要确保这两个因素具有相同的水平是一种负担。
• 数据大概是根据事件(例如“自行车离开”和“自行车到达”)记录的，而不是根据行程记录的。例如，如果有人偷了自行车或它丢失了，那么 endtime 和 end_station 逻辑上应该丢失，但这更容易以长格式跟踪，在我的意见。
• 测量数据甚至可能连续出现两个“自行车到达”事件，尽管这在逻辑上没有意义，但根据我的经验，任何数据可能出错的地方都会出错。如果发生这种情况，您将很难弄清楚如何以宽格式记录行程。

一般来说，我只是应用我对 tidy data 的理解(可能过于热心或错误) ，重复 Hadley 在有关数据布局的链接中的提示，其中“[c] 列标题是值，而不是变量名。”