2

编辑：由于我对 data.table 完全不熟悉，除了切换到 data.table 之外，是否有人对其他解决方案有任何想法？万分感谢！

我有一个相当大的数据集，其中包含不同类型事件的开始日期和结束日期（每一行都包含一个具有相应开始日期和结束日期的事件）。现在我想知道在当前事件之前或之后是否有相同类型的事件。棘手的是，事件之间的假期和周末不算/不应该考虑。

示例：类型 1 的事件在星期三开始，在星期五结束，然后是周末，星期一另一个类型 1 事件开始并持续到星期五。在这种情况下，第二个事件的“incident_directly_before”为真（=1），因为这两个事件仅相隔一个周末，不应考虑，而第一个事件为假（=0），因为它是同类中的第一个。

我为此编写了一个函数，但是速度很慢。

我现在的问题是：你知道如何提高代码的性能吗？

我已阅读有关内存预分配的信息，但由于我没有任何“for(i in 1:n)”，我不知道该怎么做。

我也尝试过编译器包中的 cmpfun()，但它的性能或多或少与原来的相同（甚至稍差）。

由于我没有 CS 背景，只是为了深入研究代码优化的主题，我真的很高兴能得到一些帮助，并解释为什么某些方法（不）适用于我的情况。

套餐：

  library(dplyr)
  library(lubridate)

示例数据：

df <- structure(list(start = structure(c(16920, 16961, 16988, 17008, 13563, 13598, 13819, 13880, 13886, 
                                                 13887, 13892, 13899, 13907, 13910, 13969, 14487, 14488, 14550, 
                                                 14606, 14676, 14743, 14819, 14841, 14851, 14915, 14984), class = "Date"), 
                     end = structure(c(16927,16965, 16990, 17011, 13595, 13616, 13875, 13885, 13886, 13889, 
                                               13896, 13906, 13909, 13966, 13969, 14487, 14496, 14554, 14608, 
                                               14680, 14743, 14820, 14841, 14862, 14918, 14985), class = "Date"), 
                     type = c(1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 3, 4, 4, 4, 5, 6, 7, 8, 8, 9, 9, 9, 9, 9, 9)), 
                class = "data.frame", row.names = c(NA, -26L))

我的自定义假期向量示例：

holidays <- as.Date(c("2009-12-30", "2009-12-31", "2010-01-01"))

我的功能是检查之前是否发生过相同类型的事件（周末和节假日除外）：

incident_function <- function(startdate, enddate, lagstart, lagend) {
  if (is.na(lagstart) ||is.na(lagend) ) {
    priorincident <- 0
  } else {
    daycount <- 0
    priorincident <- 0
    day_start <- as.Date(startdate) - lubridate::duration(1, 'days')
    while (day_start %in% holidays || weekdays(day_start) %in% c("Saturday", "Sunday")) { 
      daycount <- daycount +1
      day_start <- (as.Date(day_start) - lubridate::duration(1, 'days'))
    } 
    { if (as.Date(day_start) %in% seq.Date(lagstart, lagend, by='days')){
      priorincident <- 1
    } else {
      priorincident <- 0
    } 
    }
    return(priorincident) 
  }
}

该函数基本上做了以下事情：1）如果它是类型的第一个事件/滞后事件是NA，则将0分配给priorincident（=没有相同类型的先前事件）。2) else：取当前行的开始日期，看看前一天是节假日还是周六/周日；如果是，请再返回一天并再次检查（...）。如果 startdate 减去 n-days 既不是假期，也不是星期六/星期日，也不是滞后事件的结束日期，则将 0 分配给priorincident，但是，如果 startdate 减去 n-days 是先前事件的结束日期，则分配1 到优先事件（= 之前发生过相同类型的事件）。

（由于 dplyr 管道中的 group_by(type) 覆盖了“相同类型”方面）

然后我使用 dplyr 按事件类型分组，然后应用事件函数：

df %>%
  group_by(type) %>%
  dplyr::mutate(incident_directly_before = mapply(incident_function, startdate=start, enddate=end, lagstart=dplyr::lag(start), lagend=dplyr::lag(end))) -> df


   start      end         type incident_directly_before
   <date>     <date>     <dbl>                    <dbl>
 1 2016-04-29 2016-05-06     1                        0
 2 2016-06-09 2016-06-13     1                        0
 3 2016-07-06 2016-07-08     1                        0
 4 2016-07-26 2016-07-29     1                        0
 5 2007-02-19 2007-03-23     2                        0
 6 2007-03-26 2007-04-13     2                        1
 7 2007-11-02 2007-12-28     2                        0
 8 2008-01-02 2008-01-07     2                        0
 9 2008-01-08 2008-01-08     2                        1
10 2008-01-09 2008-01-11     2                        1
11 2008-01-14 2008-01-18     2                        1
12 2008-01-21 2008-01-28     3                        0
13 2008-01-29 2008-01-31     4                        0
14 2008-02-01 2008-03-28     4                        1
15 2008-03-31 2008-03-31     4                        1
16 2009-08-31 2009-08-31     5                        0
17 2009-09-01 2009-09-09     6                        0
18 2009-11-02 2009-11-06     7                        0
19 2009-12-28 2009-12-30     8                        0
20 2010-03-08 2010-03-12     8                        0
21 2010-05-14 2010-05-14     9                        0
22 2010-07-29 2010-07-30     9                        0
23 2010-08-20 2010-08-20     9                        0
24 2010-08-30 2010-09-10     9                        0
25 2010-11-02 2010-11-05     9                        0
26 2011-01-10 2011-01-11     9                        0

非常感谢你没有让我浪费我的生命盯着那个可爱的小红八角！

4

2 回答 2

2

另一种 data.table 方法，将周六和周日考虑在内...

代码

library(data.table)
setDT(df)

#get the day before and the day after, exclude saturdays and sundays
# use wday(start), sunday = 1, saturday = 7
# detrmine previous and next days..
# you can add holidays the same way...
df[ ,`:=`(id = seq.int(.N), prevDay = start - 1, nextDay = end + 1 )]
df[ wday(start) == 7, prevDay := start - 1 ]
df[ wday(start) == 1, prevDay := start - 2 ]
df[ wday(end) == 7, nextDay := start + 2 ]
df[ wday(end) == 1, nextDay := start + 1 ]
setcolorder(df, "id")

#perform join on self
df[df, overlap_id_after := i.id, on = .(type, nextDay == start)]
df[df, overlap_id_before := i.id, on = .(type, prevDay == start)]

样本数据 

df <- structure(list(start = structure(c(16920, 16961, 16988, 17008, 13563, 13598, 13819, 13880, 13886, 
                                         13887, 13892, 13899, 13907, 13910, 13969, 14487, 14488, 14550, 
                                         14606, 14676, 14743, 14819, 14841, 14851, 14915, 14984), class = "Date"), 
                     end = structure(c(16927,16965, 16990, 17011, 13595, 13616, 13875, 13885, 13886, 13889, 
                                       13896, 13906, 13909, 13966, 13969, 14487, 14496, 14554, 14608, 
                                       14680, 14743, 14820, 14841, 14862, 14918, 14985), class = "Date"), 
                     type = c(1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 3, 4, 4, 4, 5, 6, 7, 8, 8, 9, 9, 9, 9, 9, 9)), 
                class = "data.frame", row.names = c(NA, -26L))
于 2019-04-26T11:41:34.497 回答
1

尽管还有其他方法可以加快速度，但我非常提倡data.table在您需要加快速度时使用。

因此，如果我只是将您的数据框更改为 data.table，时间将减少一半以上：

    dt <- as.data.table(df)

    dt[, incident_directly_before := mapply(incident_function, 
                                            startdate = start, 
                                            enddate=end, 
                                            lagstart=dplyr::lag(start),
                                            lagend=dplyr::lag(end)),
       by = type]

使用您的原始代码，这部分花了我 0.2451596 秒。使用data.table花了我 0.1155329 秒。

这是因为data.table原地变异而不是创建数据的副本。

于 2019-04-26T11:21:05.767 回答