R data.table如果工作日在日期范围之间，则使用逻辑值设置新列

Question

我有一个data.table有两个目标date栏， from和to 。 我想创建一个新列，以确定某个特定的工作日是否在日期范围之间。

[数据]

library(data.table)
set.seed(1)
DT <- data.table(from=seq.Date(Sys.Date(), Sys.Date()+100, by="day"))[, to:=from+sample(10, 1), by=1:nrow(DT)][, from_wd:=wday(from)][, to_wd:=wday(to)]

> head(DT)
         from         to from_wd to_wd
1: 2015-08-06 2015-08-10       5     2
2: 2015-08-07 2015-08-10       6     2
3: 2015-08-08 2015-08-18       7     3
4: 2015-08-09 2015-08-16       1     1
5: 2015-08-10 2015-08-13       2     5
6: 2015-08-11 2015-08-13       3     5

[我的方法]

在这种情况下，我想添加一个新的boolean列flag ，如果星期三在[from, to]的范围内，则返回TRUE 。

这是我的尝试：

DT[, flag:=0][DT[, .I[4 %in% unique(wday(seq.Date(from, to, by="day")))], by=1:nrow(DT)][[1]], flag:=1]

> table(DT$flag)

 0  1 
21 80 

[题]

该代码需要花费一些时间才能运行，并且可以想象，如果nrow(DT)变大，它将花费更多时间。

我的问题是： 还有更好的方法吗？ 在速度和代码可读性方面更好（我相信我的代码根本不直观）。

Answer 1

这是一种方法：

next_wday <- function(d,wd=4L){
    wddiff = wd - wday(d)
    d + wddiff + (wddiff < 0L)*7L
} 


DT[, flag2 := +(next_wday(from) <= to)]

# test:
DT[,table(flag,flag2)]
#     flag2
# flag  0  1
#    0 44  0
#    1  0 57

这个想法是，你比较to对下周四**。 替换行可以用多种不同的方式编写。

基准

OP指出， from to可能最多相隔200天，所以...

set.seed(1)
from <- seq(as.IDate("1950-01-01"), by = "day", length = 1e6)
to   <- from + pmin(200,rpois(length(from),1))
DT   <- data.table(from,to)

system.time(DT[, flag2 := +(next_wday(from) <= to)])
#    user  system elapsed 
#    2.11    0.03    2.14

# David Arenburg's solution
system.time({
    DateDT <- DT[, {
                temp <- seq(min(from), max(to), by = "day")
                temp2 <- temp[wday(temp) == 4L]
                list(from = temp2, to = temp2)
               }
             ]
    indx <- foverlaps(DT, setkey(DateDT), nomatch = 0L, which = TRUE)$xid
    DT[, flag := 0L][indx, flag := 1L]
})  
#    user  system elapsed 
#    6.75    0.14    6.89

# check agreement
DT[,table(flag,flag2)]
#     flag2
# flag      0      1
#    0 714666      0
#    1      0 285334

我使用IDate是因为它是data.table包随附的日期格式，并且使用（？）的速度更快。 有两种方法可以使代码更快：

• 首先，将注意力限制在to-from小于6的行上可能更快（因为每个工作日的差距为6或更大）

   DT[,flag2:=0L][to-from < 6, flag2 := +(next_wday(from) <= to)] 

• 其次，由于计算一次仅取决于一行，因此并行化可以带来一些改进，如@grubjesic的答案所示。

• 根据实际数据的不同，可能会发现其他改进。

OP的代码未在此处进行基准测试，因为它需要按行划分数据并每行最多枚举200个日期，这肯定会很慢。

---

**或任何wday为4表示。

Answer 2

您也可以尝试使用foverlaps法

首先将创建从min(from)到max(to)结束的所有星期三的数据集

DateDT <- DT[, {
                temp <- seq(min(from), max(to), by = "day")
                temp2 <- temp[wday(temp) == 4L]
                .(from = temp2, to = temp2)
               }
             ]

然后运行foverlaps并提取所需的行

indx <- foverlaps(DT, setkey(DateDT), nomatch = 0L, which = TRUE)$xid

然后通过引用进行简单更新

DT[, flag := 0L][indx, flag := 1L]
DT[, table(flag)]
#  0  1 
# 44 57 

Answer 3

这是我的示例：

library(parallel)

process <- function(){


  from <- seq(as.Date("1950-01-01"), by = "day", length = 100000)
  to <- seq(as.Date("1950-01-04"), by = "day", length = 100000)

  DT <- data.frame(from,to)

  Ncores <- detectCores()

  flagList <- mclapply(1:nrow(DT),function(id){

    4 %in% strftime(seq(as.Date(DT[id,1]), as.Date(DT[id,2]), by="day"), format="%w")

  },mc.cores=Ncores)

  flag <- unlist(flagList)

  return(cbind(DT,flag))

}

i7处理器上的100k行仅需15秒。 希望这可以帮助。