如果在r中加快循環速度

Question

我有一個名為dataSessions的數據框，其中有3列“時間戳記”，“ CookieID”，“名稱”，其中有130萬行。 已根據CookieID和時間戳進行訂購。

我想創建一個稱為“會話”的新列，根據某些條件顯示1或0。

1的標准是：

1) The previous cookie is not the same as the current
2) The time between the same cookieID is over 30 minutes

我試圖做一個代碼，其中for for循環在每一行中運行，並檢查CookieID是否在此之前。 但是此過程需要很長時間。 有更快，更有效的方法嗎？

dataSessions$Test<-lag(dataSessions$CookieID, n = 1)

for (i in 1:length(dataSessions$CookieID)) {
  if(dataSessions$CookieID[i] %in% dataSessions$Test[i]) {
    dataSessions$New[i] <- 0
  } else {
    dataSessions$New[i] <- 1
  }
}

這是數據的示例，以及我要生成的SESSIONS列：

Timestamp              CookieID     Name     SESSIONS
2015-08-28 15:46:03    223284       A        1
2015-09-19 22:26:50    223223       A        1
2015-09-19 22:27:09    223223       A        0
2015-09-19 22:28:11    223223       A        0
2015-09-20 22:29:14    245458       B        1
2015-09-20 22:30:17    245458       B        0
2015-09-20 23:05:01    245458       B        1
2015-09-20 23:06:15    245458       B        0

如圖所示，當開始新的CookieID或CookieIDs的最后條目超過30分鍾時，會話數僅為1。

Answer 1

使用data.table可能有一種更快的方法，但是與此同時：

dd <- read.csv(header=TRUE,
stringsAsFactors=FALSE,text="
Timestamp,CookieID,Name,SESSIONS
2015-08-28 15:46:03,223284,A,1
2015-09-19 22:26:50,223223,A,1
2015-09-19 22:27:09,223223,A,0
2015-09-19 22:28:11,223223,A,0
2015-09-20 22:29:14,245458,B,1
2015-09-20 22:30:17,245458,B,0
2015-09-20 23:05:01,245458,B,1
2015-09-2023:06:15,245458,B,0")

dd$Timestamp <- as.POSIXct(dd$Timestamp)

查找時間差異（以秒為單位，轉換為半小時）-將第一次觀察到“上一個”之間的時間設置為無限：

dt <- c(Inf,diff(dd$Timestamp)/(60*30)) 

查找Cookie差異：

dcookie <- c(NA,diff(dd$CookieID))

檢查任何一種情況：

dd$SESSIONS <- as.numeric(dcookie!=0 | dt >1)

這里的邏輯是我們正在尋找以下情況

• dcookie!=0 ：以前的和當前的（數字）cookie值之差不為零（即cookie已更改）
• dt>1 ：上一個時間戳與當前時間戳之差> 1個半小時

在我們可以進行高效循環的環境中（幾乎是R以外的任何語言，例如Python或通過Rcpp使用C ++代碼），我們希望首先檢查cookie的相等性（快於減法），然后如果 cookie相等，則進行時間差計算-會節省一些時間。

Answer 2

data.table的答案的data.table替代方法是：

library(data.table)
setDT(df)[, session := +(Timestamp - shift(Timestamp, 1L, "lag") > 1800 | 
                           CookieID != shift(CookieID, 1L, "lag"))
          ][1, session:=1]

這給出了：

> df
             Timestamp CookieID Name session
1: 2015-08-28 15:46:03   223284    A       1
2: 2015-09-19 22:26:50   223223    A       1
3: 2015-09-19 22:27:09   223223    A       0
4: 2015-09-19 22:28:11   223223    A       0
5: 2015-09-20 22:29:14   245458    B       1
6: 2015-09-20 22:30:17   245458    B       0
7: 2015-09-20 23:05:01   245458    B       1
8: 2015-09-20 23:06:15   245458    B       0

---

使用的數據：

df <- structure(list(Timestamp = structure(c(1440769563, 1442694410, 1442694429, 1442694491, 1442780954, 1442781017, 1442783101, 1442783175), class = c("POSIXct", "POSIXt"), tzone = ""), CookieID = c(223284L, 223223L, 223223L, 223223L, 245458L, 245458L, 245458L, 245458L), Name = structure(c(1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L), .Label = c("A", "B"), class = "factor")), .Names = ("Timestamp", "CookieID", "Name"), row.names = c(NA, -8L), class = "data.frame")