我有关于不同人 ( ID)、他们工作的日期 ( Date) 以及他们每个日期工作了多少小时 ( Hours) 的数据。
周一至周五被视为工作日。对于每个ID，我想对连续工作日进行分组。在决定工作日是否连续时，应省略周末和节假日。
一些例子：
如果一个人在周一、周二和周三工作，然后跳过周四，并在周五再次工作，那么周一至周三被视为一组，周五被视为另一组。
如果一个人每周周四和周五工作，下周周一和周二工作，那么这四天应该在同一组中。因此，当检查若在周末的日子里被省略工作日内是连续的。
如果一周的周一 - 周五和下周的周一 - 周五，那么我会将这两个星期算作连续的工作日。
我还想考虑美国常见的假期（例如新年），这样 12/31/2020 至 1/4/2021 仍将算作连续工作日。
创建分组变量后，我想对每个组的工作时间求和。
示例数据：
df1 = structure(list(ID = c(1, 1, 1, 1, 2, 2, 3, 3,
3, 3), Date = structure(c(18781, 18782, 18785, 18750, 18687,
18688, 18626, 18627, 18631, 18634), class = "Date"), Hours = c(8,
8, 8, 16, 8, 8, 8, 8, 8, 8)), row.names = c(NA, -10L), class = "data.frame")
ID Date Hours
1 1 2021-06-03 8
2 1 2021-06-04 8
3 1 2021-06-07 8
4 1 2021-05-03 16
5 2 2021-03-01 8
6 2 2021-03-02 8
7 3 2020-12-30 8
8 3 2020-12-31 8
9 3 2021-01-04 8
10 3 2021-01-07 8
我想象我的输出看起来像这样：
ID Date1 Date2 Hours
1 1 2021-06-03 2021-06-07 24
# the weekend, June 5-6, is omitted
# when the group of consecutive working days is created
2 1 2021-05-03 2021-05-03 16
3 2 2021-03-01 2021-03-02 16
4 3 2020-12-30 2021-01-04 24
# the public holiday (Jan 1) and the weekend (Jan 2-3) are omitted
5 3 2021-01-07 2021-01-07 8
我的首要任务是至少弄清楚连续工作周，假期部分将是额外的奖励。
您可以使用RQuantLib::businessDaysBetween. 对于每个 ID ( by = ID)，计算每行之间的工作日数，即提供“滞后”( head(Date, -1)) 和“超前”( tail(Date, -1)) 向量作为from和to日期。选择相关的calendar（请参阅中的详细信息?businessDaysBetween）
对于每个 ID 和连续工作日 ( by = .(ID, g = cumsum(d != 1L)))，选择第一个和最后一个日期 ( from = Date[1], to = Date[.N]) 并对小时数求和 ( sum(Hours))
library(data.table)
library(RQuantLib)
setDT(df1)
df1[ , d := c(1, businessDaysBetween(calendar = "UnitedStates",
from = head(Date, -1), to = tail(Date, -1))),
by = ID]
df1[ , .(from = Date[1], to = Date[.N], Hours = sum(Hours)),
by = .(ID, g = cumsum(d != 1L))]
# ID g from to Hours
# 1: 1 0 2021-06-03 2021-06-07 24
# 2: 1 1 2021-05-03 2021-05-03 16
# 3: 2 1 2021-03-01 2021-03-02 16
# 4: 3 1 2020-12-30 2021-01-04 24
# 5: 3 2 2021-01-07 2021-01-07 8
更复杂的解决方案（预businessDaysBetween）：
在每个 ID ( ) 内创建完整的日期序列df1[ , .(Date = seq(min(Date), max(Date), by = "1 day")), by = ID]。与 ID 和日期 ( ) 上的原始数据连接df1[..., on =.(ID, Date)。对于原始数据中不存在的日期，即（原始）连续天之间的间隔，小时数将为NA。
在每个 ID ( by = ID) 内，根据缺失的小时数 ( rleid(is.na(Hours))) 创建游程长度索引。对于缺少小时 ( d[is.na(Hours)) 的行，即原始时间序列中的间隙，对于每个 ID 和运行 ( by = .(ID, r))，检查all日期是否是周末 ( wday(Date) %in% c(1, 7)) 或 ( |) 公共假期* ( Date %in% as.Date(holidayNYSE(unique(year(Date)))))，并创建一个索引变量，九.
对于原始行和周末/节假日间隙 ( !is.na(Hours) | ix)，创建连续日期的分组变量 ( g = cumsum(c(TRUE, diff(Date) != 1L)))。对于每个 ID 和连续日期 ( by = .(ID, g))，选择第一个和最后一个日期 ( from = Date[1], to = Date[.N]) 并对小时数求和 ( sum(Hours, na.rm = TRUE))
library(data.table)
library(timeDate)
setDT(df1)
d = df1[df1[ , .(Date = seq(min(Date), max(Date), by = "1 day")), by = ID],
on = .(ID, Date)]
d[ , r := rleid(is.na(Hours)), by = ID]
d[is.na(Hours), ix := all(
wday(Date) %in% c(1, 7) |
Date %in% as.Date(holidayNYSE(unique(year(Date)))))
, by = .(ID, r)]
d[!is.na(Hours) | ix, .(Date, Hours, g = cumsum(c(TRUE, diff(Date) != 1L))),
by = ID][
, .(from = Date[1], to = Date[.N],
Hours = sum(Hours, na.rm = TRUE)),
by = .(ID, g)]
# ID g from to Hours
# 1: 1 1 2021-05-03 2021-05-03 16
# 2: 1 2 2021-06-03 2021-06-07 24
# 3: 2 1 2021-03-01 2021-03-02 16
# 4: 3 1 2020-12-30 2021-01-04 24
# 5: 3 2 2021-01-07 2021-01-07 8
*假日的其他定义请参阅timeDate手册。