r - 计算日期范围间隔的部分重叠数

Question

我需要在大约 150K 行的数据帧上运行循环。但是，循环需要检查每一行并检查一个检查数据集中每隔一行的条件。我的代码对于玩具数据集运行良好，它产生正确的值，但对于我的实际数据集来说太慢了。我让它运行了几个小时，但它仍然没有完成。所以我希望有人能更好地了解如何解决这个问题。

#R version 3.5.1 Windows 64-bit

#Example dataset
my_df <- data.frame("PERSON" = c("A","A","A","B","A","A","B"),
                    "DATE_START" = c("2019-01-15","2019-01-10","2019-01-20","2019-01-19","2018-12-20","2018-03-03","2019-05-01"),
                    "DATE_FINISH" = c("2019-01-30","2019-01-18","2019-02-05","2019-01-23","2019-02-10","2018-04-01","2019-06-06")
                    )
#Each row is a task that the assigned person is working on
my_df
   PERSON   DATE_START DATE_FINISH
1       A   2019-01-15  2019-01-30
2       A   2019-01-10  2019-01-18
3       A   2019-01-20  2019-02-05
4       B   2019-01-19  2019-01-23
5       A   2018-12-20  2019-02-10
6       A   2018-03-03  2018-04-01
7       B   2019-05-01  2019-06-06

我想知道的是，对于第 1 行，A 的开始日期和完成日期之间还有多少其他任务重叠？ (包括其所在的行)

所以我正在寻找的答案是

   PERSON   DATE_START DATE_FINISH  NUMBER_OF_TASKS
1       A   2019-01-15  2019-01-30  4
2       A   2019-01-10  2019-01-18  3
3       A   2019-01-20  2019-02-05  3
4       B   2019-01-19  2019-01-23  1
5       A   2018-12-20  2019-02-10  4
6       A   2018-03-03  2018-04-01  1
7       B   2019-05-01  2019-06-06  1

所以这基本上是说，对于第 1 行，A 人有 4 个未完成的任务

我尝试为每一行创建列表元素，其中包含作为数值的日期范围，然后检查是否存在重叠，我使用 %in% 运算符来比较未列出的范围

我已经使用 lapply 函数完成了类似的操作(此处未显示)，但同样的问题需要永远执行。

##This is what I currently have

temp_list <- list()
num_open_tasks <- c()
open_work_cc <- c()

##Create a list of length = nrow(my_df)
##Each element in the list is a range of dates coerced to numeric
for(i in 1:nrow(my_df)){
  temp_list[[i]] <- as.numeric(my_df$DATE_START[i]) : 
                    as.numeric(my_df$DATE_FINISH[i])
}


for(i in 1:nrow(my_df)){
  for(j in 1:nrow(my_df)){

##If elements from the temp_list overlap by 5 days, the overlap = 5
##I'm just checking if the overlap is greater than 0 (is there any overlap at all)
##And if the tasks belongs to the same person or not    
open_work_cc[j] <- ifelse(sum(unlist(temp_list[[i]]) %in% 
                              unlist(temp_list[[j]])) > 0 &
                              my_df$PERSON[i] == my_df$PERSON[j] 
                              ,1,0
                           )
open_work_cc_total <- sum(open_work_cc)

  }
  num_open_tasks[i] <- open_work_cc_total

}
my_df <- cbind(my_df, num_open_tasks)

此方法返回我想要的列，其中填充了正确的值。但我想有一种更优雅、更快的方法，使用某种形式的拆分/应用/组合。感谢任何和所有帮助，谢谢

Answer 1

data.table 中的

foverlaps 可能是 R 中最快的方法。我认为以下代码可以满足您的需求:

library(data.table)
setDT(my_df)

my_df[, DATE_START_N:=as.numeric(as.Date(DATE_START))]
my_df[, DATE_FINISH_N:=as.numeric(as.Date(DATE_FINISH))]

setkey(my_df, PERSON, DATE_START_N,DATE_FINISH_N)

my_df[,NUMBER_OF_TASKS:=foverlaps(my_df,my_df,which=TRUE)[,.N,by=xid]$N]
my_df

为了更清楚一点:foverlaps(my_df,my_df,which=TRUE) 在 PERSON 内的日期范围内进行自连接(连接由以下条件确定) setkey)。请注意，foverlaps 的间隔连接的 type 的默认参数是 "any" ，它是间隔的部分匹配:即，您在这里想要的。

指定 which=TRUE 将仅提供 x 和 y 中的匹配索引(而不是此处不需要的实际连接数据)。对 foverlaps 的调用返回 data.table 类的对象，然后立即聚合该对象以获取由 xid 定义的每个组中的行数(它们只是 my_df 的行)使用括号函数调用 [,.N,by=xid]。这些计数被提取到带有 $N 的向量中，并分配给 my_df 中的新列 NUMBER_OF_TASKS。