计算字符串格式的两次时间的最有效方法是什么

Question

我有一个大型数据集（作为 data.table，超过 1 亿行）并希望计算两列之间的 difftime。如果是“%H%M%OS”，则为时间字符串格式，没有前导零。例如，数据

ID  time0      time1
 1  93005220  93005320
 2  93551060  93553940
 3  93717740  93717740
 4  94840800  94840800
 5  94959510  94959510
 6 101030460 101127870
 7 101425010 101425010
 8 104728320 104728980
 9 105704050 105705890
10 135109830 135402830
11 93005220 150001330

以第一行为例，我不能使用difftime ， strptime来计算 "93005320"("09:30:05.320") 和 "93005220"("09:30:05.220") 之间的 difftime，我必须更改 " 93005220”转换为“093005.220”这样的格式，然后我尝试如下：

difftime(strptime("093005.220","%H%M%OS"),strptime("093005.320","%H%M%OS"))

但是如果这样做，对于超过 1 亿行来说太慢了。 在 R 中是否有有效的方法来执行此操作？

Answer 1

一种方法是考虑每个数字包含关于已过去多少秒的信息，但有些表示不同（即小时、分钟）。 如果数字的所有单位都是秒，我们可以使用-直接比较它们。

f = function(x){
  c(36000, 3600, 600, 60, 10, 1, .1, .01, .001) *
    x %% c(1e9, 1e8, 1e7, 1e6, 1e5, 1e4, 1e3, 1e2, 1e1) %/%
    c(1e8, 1e7, 1e6, 1e5, 1e4, 1e3, 1e2, 1e1, 1e0)
}
ff = Vectorize(function(x, y) sum(f(x) - f(y)))

然后以秒为单位获得差异，这里使用dplyr ：

df %>%
    mutate(diff = ff(time1, time0))
       time0     time1     diff
       <dbl>     <dbl>    <dbl>
 1  93005220  93005320     0.1 
 2  93551060  93553940     2.88
 3  93717740  93717740     0   
 4  94840800  94840800     0   
 5  94959510  94959510     0   
 6 101030460 101127870    57.4 
 7 101425010 101425010     0   
 8 104728320 104728980     0.66
 9 105704050 105705890     1.84
10 135109830 135402830   173   
11  93005220 150001330 19796.

解释：使用Anirban 的方法， f将输入 integer 转换为其组件的向量（必要时使用 0 填充）。 这些分量然后通过乘法转换为秒，这是一种矢量化操作。 也就是说， c(1,2) * c(3,4)的计算结果为c(3, 8) 。