r - 将具有连续日期的行合并为具有开始日期和结束日期的单行

Question

我有一个看起来像这样的事件数据框:

EVENT     DATE       LONG    LAT    TYPE     
1         1/1/2000   23      45     A
2         2/1/2000   23      45     B
3         3/1/2000   23      45     B
3         5/2/2000   22      56     A
4         6/2/2000   19      21     A

我想折叠它，以便将连续几天在同一位置(由 LONG、LAT 定义)发生的任何事件折叠成一个事件，其中包含 START 和 END 日期以及 TYPES 的串联列参与。

因此上表将变为:

EVENT     START-DATE    END-DATE    LONG    LAT    TYPE     
1         1/1/2000      3/1/2000    23      45     ABB
2         5/2/2000      5/2/2000    22      56     A
3         6/2/2000      6/2/2000    19      21     A

任何关于如何最好地解决这个问题的建议将不胜感激。

Answer 1

这是 Ronak Shah 解决方案的修改版本，将同一位置的非连续事件作为单独的事件周期。

# expanded data sample
df <- data.frame(
  DATE = as.Date(c("2000-01-01", "2000-01-02", "2000-01-03", "2000-01-05",
                   "2000-02-05", "2000-02-06", "2000-02-07"), format = "%Y-%m-%d"),
  LONG = c(23, 23, 23, 23, 22, 19, 22),
  LAT = c(45, 45, 45, 45, 56, 21, 56),
  TYPE = c("A", "B", "B", "A", "A", "B", "A")
)

library(dplyr)

df %>%
  group_by(LONG, LAT) %>%
  arrange(DATE) %>%
  mutate(DATE.diff = c(1, diff(DATE))) %>%
  mutate(PERIOD = cumsum(DATE.diff != 1)) %>%
  ungroup() %>%
  group_by(LONG, LAT, PERIOD) %>%
  summarise(START_DATE = min(DATE),
            END_DATe = max(DATE), 
            TYPE = paste(TYPE, collapse = "")) %>%
  ungroup()

# A tibble: 5 x 6
   LONG   LAT PERIOD START_DATE   END_DATe  TYPE
  <dbl> <dbl>  <int>     <date>     <date> <chr>
1    19    21      0 2000-02-06 2000-02-06     B
2    22    56      0 2000-02-05 2000-02-05     A
3    22    56      1 2000-02-07 2000-02-07     A
4    23    45      0 2000-01-01 2000-01-03   ABB
5    23    45      1 2000-01-05 2000-01-05     A

编辑以添加对“PERIOD”变量的解释。

为简单起见，让我们考虑在同一位置发生一些连续的连续和非连续事件，因此我们可以跳过 group_by(LONG, LAT) 和 arrange(DATE) 步骤:

# sample dataset of 10 events at the same location. 
# first 3 are on consecutive days, next 2 are on consecutive days,
# next 4 are on consecutive days, & last 1 is on its own.
df2 <- data.frame(
  DATE = as.Date(c("2001-01-01", "2001-01-02", "2001-01-03", 
                   "2001-01-05", "2001-01-06",
                   "2001-02-01", "2001-02-02", "2001-02-03", "2001-02-04",
                   "2001-04-01"), format = "%Y-%m-%d"),
  LONG = rep(23, 10),
  LAT = rep(45, 10),
  TYPE = LETTERS[1:10]
)

作为中间步骤，我们创建一些辅助变量:

1. “DATE.diff”计算当前行日期与上一行日期之间的差异。由于第一行没有“2001-01-01”之前的日期，我们默认差为1。

2. “non.consecutive”表示计算的日期差是不是1(即与前一天不连续)，还是1(即与前一天连续)。如果您需要考虑数据集中同一位置的当天事件，您可以将计算从 DATE.diff != 1 更改为 DATE.diff > 1在这里。

3. “PERIOD”跟踪“non.consecutive”变量中 TRUE 结果的数量。从第一行开始，每与上一行不连续，“PERIOD”就加1。

作为辅助变量的结果，“PERIOD”对于每组连续日期采用不同的值。

df2.intermediate <- df2 %>%
  mutate(DATE.diff = c(1, diff(DATE))) %>%
  mutate(non.consecutive = DATE.diff != 1) %>%
  mutate(PERIOD = cumsum(non.consecutive))

> df2.intermediate
         DATE LONG LAT TYPE DATE.diff non.consecutive PERIOD
1  2001-01-01   23  45    A         1           FALSE      0
2  2001-01-02   23  45    B         1           FALSE      0
3  2001-01-03   23  45    C         1           FALSE      0
4  2001-01-05   23  45    D         2            TRUE      1
5  2001-01-06   23  45    E         1           FALSE      1
6  2001-02-01   23  45    F        26            TRUE      2
7  2001-02-02   23  45    G         1           FALSE      2
8  2001-02-03   23  45    H         1           FALSE      2
9  2001-02-04   23  45    I         1           FALSE      2
10 2001-04-01   23  45    J        56            TRUE      3

然后我们可以将“PERIOD”视为一个分组变量，以便找到每个时期内的开始/结束日期和事件:

df2.intermediate %>%
  group_by(PERIOD) %>%
  summarise(START_DATE = min(DATE),
            END_DATe = max(DATE), 
            TYPE = paste(TYPE, collapse = "")) %>%
  ungroup()

# A tibble: 4 x 4
  PERIOD START_DATE   END_DATe  TYPE
   <int>     <date>     <date> <chr>
1      0 2001-01-01 2001-01-03   ABC
2      1 2001-01-05 2001-01-06    DE
3      2 2001-02-01 2001-02-04  FGHI
4      3 2001-04-01 2001-04-01     J