如果工作日位于日期范围之间，R data.table 将使用逻辑值设置新列

Question

我有一个 data.table 对象，其中包含两个 date 列:from 和 to。我想创建一个新列来确定特定工作日是否在日期范围之间。

[数据]

library(data.table)
set.seed(1)
DT <- data.table(from=seq.Date(Sys.Date(), Sys.Date()+100, by="day"))[, to:=from+sample(10, 1), by=1:nrow(DT)][, from_wd:=wday(from)][, to_wd:=wday(to)]

> head(DT)
         from         to from_wd to_wd
1: 2015-08-06 2015-08-10       5     2
2: 2015-08-07 2015-08-10       6     2
3: 2015-08-08 2015-08-18       7     3
4: 2015-08-09 2015-08-16       1     1
5: 2015-08-10 2015-08-13       2     5
6: 2015-08-11 2015-08-13       3     5

[我的方法]

在本例中，我想添加一个新的 boolean 列 flag，如果星期三在 范围内，则返回 TRUE >[从，到]。

这是我的尝试:

DT[, flag:=0][DT[, .I[4 %in% unique(wday(seq.Date(from, to, by="day")))], by=1:nrow(DT)][[1]], flag:=1]

> table(DT$flag)

 0  1 
21 80 

[问题]

代码运行需要一些时间，并且可以想象，如果 nrow(DT) 变大，则需要更多时间。

我的问题是:有更好的方法吗？在速度和代码可读性方面更好(我相信我的代码根本不直观)。

Answer 1

这是一种方法:

next_wday <- function(d,wd=4L){
    wddiff = wd - wday(d)
    d + wddiff + (wddiff < 0L)*7L
} 


DT[, flag2 := +(next_wday(from) <= to)]

# test:
DT[,table(flag,flag2)]
#     flag2
# flag  0  1
#    0 44  0
#    1  0 57

这个想法是您将到与下周四进行比较**。替换行可以用多种不同的方式编写。

基准

OP 提到 from 和 to 可能相隔长达 200 天，所以...

set.seed(1)
from <- seq(as.IDate("1950-01-01"), by = "day", length = 1e6)
to   <- from + pmin(200,rpois(length(from),1))
DT   <- data.table(from,to)

system.time(DT[, flag2 := +(next_wday(from) <= to)])
#    user  system elapsed 
#    2.11    0.03    2.14

# David Arenburg's solution
system.time({
    DateDT <- DT[, {
                temp <- seq(min(from), max(to), by = "day")
                temp2 <- temp[wday(temp) == 4L]
                list(from = temp2, to = temp2)
               }
             ]
    indx <- foverlaps(DT, setkey(DateDT), nomatch = 0L, which = TRUE)$xid
    DT[, flag := 0L][indx, flag := 1L]
})  
#    user  system elapsed 
#    6.75    0.14    6.89

# check agreement
DT[,table(flag,flag2)]
#     flag2
# flag      0      1
#    0 714666      0
#    1      0 285334

我使用 IDate 因为它是 data.table 包附带的日期格式，并且使用起来更快(？)。有几种方法可以使代码更快:

• 首先，将注意力限制在 to-from 小于 6 的行上可能会更快(因为每个工作日都会有 6 或更大的间隙)，例如

  DT[,flag2:=0L][to-from < 6, flag2 := +(next_wday(from) <= to)]
  

• 其次，由于计算一次仅依赖于一行，因此并行化可能会带来一些改进，如 @grubjesic 的回答所示。

• 根据实际数据，可能会发现其他改进。

这里没有对 OP 的代码进行基准测试，因为它需要按行拆分数据并枚举每行最多 200 个日期，这肯定会很慢。

---

** 或任何 wday 为 4 的意思。