引用前导行中的数据

Question

我有一个样本数据集,可以跟踪自行车到不同站点的轨迹.我的目标是找到自行车在特定车站的间隔difftime(),在这种情况下是车站B.

> 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             ? 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,自行车不会在他们结束的同一站点开始,这些情况应该被忽略.在上面的数据集,我们可以看到,之间流逝360分钟01:30:00和07:30:00,即120分钟失效之间16:00:00和18:00:00之间失效,那30分钟18:30:00和19:00:00.第8行和第10行被忽略,因为自行车不会在它结束的同一站点启动.因此,输出向量应为:

[1] 360 120  30

以下代码使用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"])

一个人怎么会考虑到下一行,并计算difftime()只有当end_station和start_station以下行是平等的吗？用lead()在dplyr？任何建议将不胜感激

以下是示例数据:

> 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", "?", "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

按照上次建议重塑...

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)

然后在自行车闲置的时候回到广阔的地方......

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

我应该解释为什么我喜欢长格式mtest而不是OP test,即使我回到宽格式进行分析(感谢@Henrik)......

• 站点可能/应该是一个因素,如果你将它分成核心数据中的两列,那么确保两个因子具有相同的水平是一个负担.
• 据推测,这些数据是根据事件记录的(如"自行车左侧"和"自行车到达"),而不是旅行方面.例如,如果有人偷了自行车或者丢失了endtime,end_station那么逻辑上应该丢失,但在我看来,这更容易以长格式跟踪.
• 根据我的经验,测量数据甚至可以连续两次"自行车到达"事件,即使它在逻辑上没有意义,任何可能出错的数据都会出错.如果发生这种情况,您将很难确定如何以行程方式以宽幅格式记录.

一般来说,我只是应用我(可能是过分热心或错误的)对整洁数据的理解,在关于数据布局的链接中重复哈德利的抱怨,其中"[c] olumn header是值,而不是变量名".