преобразование времени начала и окончания активности в бинарные данные для нескольких групп в R dplyr/tidyr

У меня есть данные, которые выглядят примерно так:

foo <- data.frame(userid = c("a","a","b","b","b"),
                  activity = factor(c("x","y","z","z","x")),
                  st=c(0, 20,   0, 10, 25), # start time
                  et=c(20, 30, 10, 25, 30)) # end time

и я хочу для каждого идентификатора пользователя преобразовывать данные об активности в пятиминутные интервалы времени. Результат будет выглядеть примерно так:

result <- data.frame(userid = c("a", "b"),
                         x1 = c("x", "z"),
                         x2 = c("x", "z"),
                         x3 = c("x", "z"),
                         x4 = c("x", "z"),
                         x5 = c("y", "z"),
                         x6 = c("y", "x"))

Следующий подход работает, но он довольно громоздкий и очень медленный. Это занимает около 15 минут на моем наборе данных скромного размера.

library(dplyr)
library(tidyr)

lvls <- levels(foo$activity)

time_bin <- function(st, et, act) {
  bins <- seq(0, 30, by=5)
  tb <- as.integer(bins>=st & bins<et)*as.integer(act)
  tb[tb>0] <- lvls[tb]
  data.frame(tb=tb, bins=bins)
}

new_foo <- 
  foo %>% 
  rowwise() %>%
  do(data.frame(., time_bin(.$st, .$et, .$activity))) %>%
  select(-(activity:et)) %>%
  group_by(userid) %>%
  subset(tb>0) %>%
  spread(bins, tb)

Есть ли более быстрый или удобный способ сделать это?


r performance binning dplyr
person Bryan    schedule 10.04.2015    source источник
comment
Можем ли мы предположить во входных данных, что действия для каждого пользователя а) не перекрываются, б) между ними нет промежутков и в) отсортированы по возрастанию времени? Возможно, вы могли бы дать более длинный ввод (генерируемый случайным образом), который проверяет производительность? Вы имели в виду, что ваш код занял 15 минут только для ввода пяти строк?   -  person smci    schedule 17.09.2018

Ответы (1)


arrow_upward
3
arrow_downward

Можешь попробовать:

library(data.table)
library(reshape2)

dt = setDT(foo)[,seq(min(st)+5,max(et),5),.(userid,activity)]
dcast(dt, userid~V1, value.var='activity')
#  userid 5 10 15 20 25 30
#1      a x  x  x  x  y  y
#2      b z  z  z  z  z  x
person Colonel Beauvel    schedule 10.04.2015
comment
Спасибо - это хорошо работает. Все еще заинтересованы в любых улучшенных/более быстрых решениях с использованием dplyr и tidyr. Я нахожу их синтаксис более простым и понятным, хотя data.table в этом случае кажется немного быстрее. - person Bryan; 21.04.2015