如何使用日期范围编写函数而不是for循环

Question

我是经验研究和R领域的新法律教授。我正在研究法官的工作量（如他/她在30天内完成的案件数量）还是他/她的案件积压（如案件开立的比例） （在相同范围内结案的案件）影响案件结局。 一些样本数据：

# first generate a vector of dates and repeat it 4 times
beg.date <- rep(seq.Date(as.Date("2008-01-01"),as.Date("2013-12-31"),by="day"),4)
length(beg.date) # 8768
length(beg.date)/4 # 2192 dates (6 years)
# generate a vector of judges of same length
x <- factor(LETTERS[1:4]); judge <- rep(x, each=2192)
# cbind them as df
data <- cbind.data.frame(judge, beg.date)
# create end date exactly 30 days later for each case
data$end.date <- as.Date(data$beg.date + 30)
#sort by beg.date and add caseid variable
data  <- data[order(data$beg.date),]; data$caseid <- 1:8768
#reorder columns
data <- data[c(4,1,2,3)]
# reorder rows by judge and by end dates
data <- data[order(data$judge, data$end.date),]

数据如下所示：

  caseid judge   beg.date   end.date
1      1     A 2008-01-01 2008-01-31
2      5     A 2008-01-02 2008-02-01
3      9     A 2008-01-03 2008-02-02
4     13     A 2008-01-04 2008-02-03
5     17     A 2008-01-05 2008-02-04
6     21     A 2008-01-06 2008-02-05

因此，我想计算法官在判决案当日的30天积压案件和完成率。 我已经弄清楚了如何创建日期间隔（窗口）并确定在该窗口内开始或结束的案件数量。 而且我可以使用笨拙的for loop.通过判断将其滚动应用于数据集for loop.

a <- data
comprate <- numeric()
ratio <- numeric()
for (j in c("A","B","C","D")){
  x=a[a$judge==j,]
for(i in 1:nrow(x)){
  y <- new_interval((x$end.date[i]-ddays(30)),x$end.date[i])
  x$comprate[i] <- length(x$end.date[x$end.date %within% y==T])
  x$ratio[i]  <- length(x$beg.date[x$beg.date %within% y==T])/x$comprate[i]
  }
comprate  <- append(comprate, x$comprate, after=length(comprate))
ratio  <- append(ratio, x$ratio, after=length(ratio))
}
a$comprate <- comprate
a$ratio <- ratio

这适用于较小的样本数据集，但我的项目数据具有超过600万个观测值（案例）。 我知道可以用ddply或dplyr来做到这一点， ddply只是我的事。 有人可以帮我吗？

非常感谢。 肯

一些后续问题：

---

感谢@MrFlick提供有用的答案。 让我看看我是否了解（或请帮助我了解）该解决方案的工作原理：

dt[, comprate:=sapply(end.date, function(i) 
    sum(between(as.numeric(i)-as.numeric(end.date),0,30))), by=judge]

在此代码块中：
1 comprate变量是通过应用sapply(etc.)表达式by=judge 。
2 sapply应用function(i)至的每个元素end.date并返回简化结果。
3 function(i)以end.date的第一个元素为end.date ， sum返回between(etc.)的逻辑向量的逻辑真值之和。

我可以考虑到这里，但是在此之后，我对如何between工作between以及确切地包含和评估哪些值between感到困惑。 那么as.numeric(i)-as.numeric(end.date)在做什么呢？ 我得到了as.numeric部分-它只是提取表示前哨日期之后的天数的整数。

所以“as.numeric（I）”被提取的整数值i-th元素end.date ？
然后- as.numeric(end.date)在做什么？

Answer 1

我不会感到很糟糕，这些移动的窗口问题有些棘手。

给定您的数据量，建议您使用data.table库。 该库使您可以为数据建立索引，以便更快地进行查找。 我们来

library(data.table)
dt<-setDT(data)
setkey(dt, judge, end.date)
dt[, comprate:=sapply(end.date, function(i) 
    sum(between(as.numeric(i)-as.numeric(end.date),0,30))), by=judge]

setkey(dt, judge, beg.date)
dt[, newcase:=sapply(end.date, function(i) 
    sum(between(as.numeric(i)-as.numeric(beg.date),0,30))), by=judge]

dt[, ratio:= newcase/comprate]
a<-as.data.frame(dt)

因此，我们使用setDT()将data转换为data.table对象。 然后，我们设置为表添加索引的键。 接下来，我们使用特殊的data.table语法添加新列。 在这里，我们为每位法官计算最近30天的结束日期数。 看来您以前使用过lubridate 。 在这里，由于Date值存储为前哨日期以来的天数，因此我只转换为数字并自己进行减法。 然后，我重新排序并计算新案件的数量。 我要多做一步来计算比率。 然后，我将其转换回data.frame（但您也可以将它们保留为data.table）。

因此，在此样本数据上，它运行得更快，并且给出相同的结果。 这确实意味着潜在地倾向于为新软件包使用新语法，但是应该以更快的结果获得回报。

---

进一步说明

因此，让我们使用一个简单的向量

x<-c(1,3,6,9,10,15)

我们可以将这些作为数字形式的日期。 当我们做

sapply(x, function(i) i-x)

#      [,1] [,2] [,3] [,4] [,5] [,6]
# [1,]    0    2    5    8    9   14
# [2,]   -2    0    3    6    7   12
# [3,]   -5   -3    0    3    4    9
# [4,]   -8   -6   -3    0    1    6
# [5,]   -9   -7   -4   -1    0    5
# [6,]  -14  -12   -9   -6   -5    0

我们正在做的是一次获取x每个值（如i ），并求出x每个其他值的差。 每个x值都会生成上面的列之一。 现在，我可以添加之间的差异，看看是否介于0和10之间。

sapply(x, function(i) between(i-x, 1, 10))

#       [,1]  [,2]  [,3]  [,4]  [,5]  [,6]
# [1,]  TRUE  TRUE  TRUE  TRUE  TRUE FALSE
# [2,] FALSE  TRUE  TRUE  TRUE  TRUE FALSE
# [3,] FALSE FALSE  TRUE  TRUE  TRUE  TRUE
# [4,] FALSE FALSE FALSE  TRUE  TRUE  TRUE
# [5,] FALSE FALSE FALSE FALSE  TRUE  TRUE
# [6,] FALSE FALSE FALSE FALSE FALSE  TRUE

因此，我们使用between （来自data.table包）将结果限制为过去的特定窗口。 现在，我们不用为每个x值返回一列，而是取之间的sum()值，这会将所有TRUE值变为1，将FALSE变为0。

sapply(x, function(i) sum(between(i-x, 0, 10)))
# [1] 1 2 3 4 5 4