R：在没有for循环的日期之间聚合
我希望对两个日期之间有效且不使用for循环的租赁赚取的所有租金进行合计 以下是租赁数据的示例R：在没有for循环的日期之间聚合,r,aggregate,R,Aggregate,我希望对两个日期之间有效且不使用for循环的租赁赚取的所有租金进行合计 以下是租赁数据的示例 数据帧1 StartDate EndDate MonthlyRental 2015-07-01 2015-09-30 500 2015-06-01 2015-10-31 600 2015-07-15 2016-01-31 400 2015-08-01 2015-12-31 800 我想计算每个月的租金金额，如果可能的话按比例分配（
数据帧1
StartDate EndDate MonthlyRental
2015-07-01 2015-09-30 500
2015-06-01 2015-10-31 600
2015-07-15 2016-01-31 400
2015-08-01 2015-12-31 800
数据框架2
Month RentalIncome
2015-07-31 500+600+(400*15/31)
2015-08-31 500+600+400+800
2015-09-30 500+600+400+800
2015-10-31 600+400+800
2015-11-30 600+400+800
etc.
Mike我不确定这是否比“简单地在数据帧中循环”好——因为我确实在数据帧中循环——但这里有一种方法可以产生所需的输出 （产量与2015年7月的问题不符，因为租金将在7月支付17天，而不是15天。） 将给定的时间间隔转换为天，计算每天的租金，然后按月计算每天的租金：
library(zoo)
df1 <- data.frame(
StartDate = as.Date(c("2015-07-01", "2015-06-01", "2015-07-15", "2015-08-01")),
EndDate = as.Date(c("2015-09-30", "2015-10-31", "2016-01-31", "2015-12-31")),
MonthlyRental = c(500, 600, 400, 800)
)
df1LongList <- apply(df1, MARGIN = 1, FUN = function(row) {
return(data.frame(
date = seq(from = as.Date(row["StartDate"]), to = as.Date(row["EndDate"]), by = "day"),
MonthlyRental = as.numeric(row["MonthlyRental"])))
})
df1Long <- do.call("rbind", df1LongList)
df1Long$yearMon <- as.yearmon(df1Long$date)
df1Long$maxDays <- as.numeric(as.Date(df1Long$yearMon, frac = 1) - as.Date(df1Long$yearMon) + 1) # Thanks: http://stackoverflow.com/a/6244503/2706569
df1Long$rental <- df1Long$MonthlyRental / df1Long$maxDays
tapply(X = df1Long$rental, INDEX = df1Long$yearMon, FUN = sum)
# Jun 2015 Jul 2015 Aug 2015 Sep 2015 Okt 2015 Nov 2015 Dez 2015 Jan 2016
# 600.000 1319.355 2300.000 2300.000 1800.000 1200.000 1200.000 400.000
图书馆（动物园）
df1这里有一个可能的data.table
解决方案（在Hmisc
包的帮助下）。如果没有半个月的租金，这可能是一个非常简单的问题，但由于这一限制，这变得非常困难
作为补充说明，我仅假设按照您的示例，开始日期为半个月
library(data.table)
require(Hmisc)
# Converting to valid date classes
Dates <- names(df)[1:2]
setDT(df)[, (Dates) := lapply(.SD, as.Date), .SDcols = Dates]
# Handling half months
df[mday(StartDate) != 1, `:=`(GRP = seq_len(.N),
mDays = mday(StartDate),
StartDate = StartDate - mday(StartDate) + 1L)]
## Converting to long format
res <- df[, .(Month = seq(StartDate, EndDate, by = "month")),
by = .(MonthlyRental, GRP, mDays)]
## Dividing not full months by the number of days (that could be modified as per other post)
res[match(na.omit(df$GRP), GRP), MonthlyRental := MonthlyRental*mDays/monthDays(Month)]
res[, .(RentalIncome = sum(MonthlyRental)), keyby = .(year(Month), month(Month))]
# year month RentalIncome
# 1: 2015 6 600
# 2: 2015 7 1293
# 3: 2015 8 2300
# 4: 2015 9 2300
# 5: 2015 10 1800
# 6: 2015 11 1200
# 7: 2015 12 1200
# 8: 2016 1 400
库（data.table）
要求（Hmisc）
#转换为有效日期类
日期我使用外部产品“pmin”和“pmax”来避免循环。部分覆盖的月份既困难又有趣：
library(lubridate)
df1 <- data.frame(
StartDate = as.Date(c("2015-07-01", "2015-06-01", "2015-07-15", "2015-08-01")),
EndDate = as.Date(c("2015-09-30", "2015-10-31", "2016-01-31", "2015-12-31")),
MonthlyRental = c(500, 600, 400, 800)
)
d <- c( as.Date("2015-07-31"),
as.Date("2015-08-31"),
as.Date("2015-09-30"),
as.Date("2015-10-31"),
as.Date("2015-11-30"),
as.Date("2015-12-31"),
as.Date("2016-01-31"),
as.Date("2016-02-29") )
RentPerDay <- outer( df1$"MonthlyRental", days_in_month(d), "/" )
countDays <- pmin( pmax( outer( d, df1$"StartDate", "-") + 1, 0 ), days_in_month(d) ) -
pmin( pmax( outer( d, df1$"EndDate" , "-"), 0 ), days_in_month(d) )
rentalIncome <- colSums( t(countDays) * RentPerDay )
我稍微修改了一下我以前的回答。矩阵“RentPerDay”不是必需的。“colSums（t（countDays）*RentPerDay）”可替换为矩阵向量积。此解决方案计算的租金收入与上一个解决方案相同
library(lubridate)
ultimo_day <- function( start, end )
{
N <- 12*(year(end) - year(start)) + month(end) - month(start) + 1
d <- start
day(d) <- 1
month(d) <- month(d) + (1:N)
return( d - as.difftime(1,units="days"))
}
countDays <- function( data, d )
{
return( pmin( pmax( outer( d, data$"StartDate", "-") + 1, 0 ), day(d) ) -
pmin( pmax( outer( d, data$"EndDate" , "-"), 0 ), day(d) ) )
}
rentalIncome <- function( data,
d = ultimo_day( min(data$StartDate), max(data$EndDate) ) )
{
return ( data.frame( date = d,
income = ( countDays(data,d) / days_in_month(d) ) %*% data$"MonthlyRental" ) )
}
# -------- Example Data: --------
df1 <- data.frame(
StartDate = as.Date(c("2015-07-01", "2015-06-01", "2015-07-15", "2015-08-01", "2014-06-20")),
EndDate = as.Date(c("2015-09-30", "2015-10-31", "2016-01-31", "2015-12-31", "2015-07-31")),
MonthlyRental = c(500, 600, 400, 800, 300)
)
“最后一天（开始，结束）”是“开始”和“结束”之间支付租金的天数向量：
> d <- ultimo_day( min(df1$StartDate), max(df1$EndDate))
> d
[1] "2014-06-30" "2014-07-31" "2014-08-31" "2014-09-30" "2014-10-31" "2014-11-30" "2014-12-31" "2015-01-31" "2015-02-28" "2015-03-31" "2015-04-30"
[12] "2015-05-31" "2015-06-30" "2015-07-31" "2015-08-31" "2015-09-30" "2015-10-31" "2015-11-30" "2015-12-31" "2016-01-31"
第1行属于2014年6月，第2行属于2014年7月，…，第20行属于2016年1月
“countDays（df1，d）/days_in_month（d）”也是一个矩阵。
该矩阵的（i，j）-分量不是天数
第j个租约在第i个月有效，但该数字与
第i个月的长度：
> countDays(df1,d) / days_in_month(d)
Time differences in days
[,1] [,2] [,3] [,4] [,5]
[1,] 0 0 0.0000000 0 0.3666667
[2,] 0 0 0.0000000 0 1.0000000
[3,] 0 0 0.0000000 0 1.0000000
[4,] 0 0 0.0000000 0 1.0000000
[5,] 0 0 0.0000000 0 1.0000000
[6,] 0 0 0.0000000 0 1.0000000
[7,] 0 0 0.0000000 0 1.0000000
[8,] 0 0 0.0000000 0 1.0000000
[9,] 0 0 0.0000000 0 1.0000000
[10,] 0 0 0.0000000 0 1.0000000
[11,] 0 0 0.0000000 0 1.0000000
[12,] 0 0 0.0000000 0 1.0000000
[13,] 0 1 0.0000000 0 1.0000000
[14,] 1 1 0.5483871 0 1.0000000
[15,] 1 1 1.0000000 1 0.0000000
[16,] 1 1 1.0000000 1 0.0000000
[17,] 0 1 1.0000000 1 0.0000000
[18,] 0 0 1.0000000 1 0.0000000
[19,] 0 0 1.0000000 1 0.0000000
[20,] 0 0 1.0000000 0 0.0000000
该矩阵乘以向量“df1$MonthlyRental”，所得向量作为“收入”存储在租金收入的数据框中：
> rentalIncome(df1)
date income
1 2014-06-30 110.000
2 2014-07-31 300.000
3 2014-08-31 300.000
4 2014-09-30 300.000
5 2014-10-31 300.000
6 2014-11-30 300.000
7 2014-12-31 300.000
8 2015-01-31 300.000
9 2015-02-28 300.000
10 2015-03-31 300.000
11 2015-04-30 300.000
12 2015-05-31 300.000
13 2015-06-30 900.000
14 2015-07-31 1619.355
15 2015-08-31 2300.000
16 2015-09-30 2300.000
17 2015-10-31 1800.000
18 2015-11-30 1200.000
19 2015-12-31 1200.000
20 2016-01-31 400.000
您当前正在遍历Dataframe1，而不是DataFrame2（如您所写）。对的请发布您当前的代码以将Dataframe1转换为Dataframe2。我想是这样的。你看到我在代码上面的评论了吗？换句话说，我不考虑“半个月”，而是计算确切的日期。当合同在第15天开始时，你将不得不支付那一天，对吗？31-15+1=17.谢谢你的解决方案，很抱歉耽搁了这么久，我还没到办公室。这个解决方案很有效，只有一个问题：它不需要考虑几年（我意识到我的例子没有说明这一点的必要性）。目前，如果开始日期为2014年6月20日，相应的结束日期为2015年7月30日，则2015年6月和2014年6月的租金按比例计算。这有什么办法吗？谢谢，谢谢你的帮助！“RentPerDay”列对应的月份不仅是1月、2月、12月，还有2015年7月、2015年8月、2016年2月。如果有另一份租约，从2014年6月20日开始，到2015年7月31日结束，月份为2014年6月、2014年7月、2016年2月。想象一个螺旋而不是一个圆。也许在这一点上，对我的解决方案的解释是模棱两可的。在我的secomd解决方案的示例中，额外的租赁在2014年6月提供110份，在2015年6月提供300份。
> countDays(df1,d)
Time differences in days
[,1] [,2] [,3] [,4] [,5]
[1,] 0 0 0 0 11
[2,] 0 0 0 0 31
[3,] 0 0 0 0 31
[4,] 0 0 0 0 30
[5,] 0 0 0 0 31
[6,] 0 0 0 0 30
[7,] 0 0 0 0 31
[8,] 0 0 0 0 31
[9,] 0 0 0 0 28
[10,] 0 0 0 0 31
[11,] 0 0 0 0 30
[12,] 0 0 0 0 31
[13,] 0 30 0 0 30
[14,] 31 31 17 0 31
[15,] 31 31 31 31 0
[16,] 30 30 30 30 0
[17,] 0 31 31 31 0
[18,] 0 0 30 30 0
[19,] 0 0 31 31 0
[20,] 0 0 31 0 0
> countDays(df1,d) / days_in_month(d)
Time differences in days
[,1] [,2] [,3] [,4] [,5]
[1,] 0 0 0.0000000 0 0.3666667
[2,] 0 0 0.0000000 0 1.0000000
[3,] 0 0 0.0000000 0 1.0000000
[4,] 0 0 0.0000000 0 1.0000000
[5,] 0 0 0.0000000 0 1.0000000
[6,] 0 0 0.0000000 0 1.0000000
[7,] 0 0 0.0000000 0 1.0000000
[8,] 0 0 0.0000000 0 1.0000000
[9,] 0 0 0.0000000 0 1.0000000
[10,] 0 0 0.0000000 0 1.0000000
[11,] 0 0 0.0000000 0 1.0000000
[12,] 0 0 0.0000000 0 1.0000000
[13,] 0 1 0.0000000 0 1.0000000
[14,] 1 1 0.5483871 0 1.0000000
[15,] 1 1 1.0000000 1 0.0000000
[16,] 1 1 1.0000000 1 0.0000000
[17,] 0 1 1.0000000 1 0.0000000
[18,] 0 0 1.0000000 1 0.0000000
[19,] 0 0 1.0000000 1 0.0000000
[20,] 0 0 1.0000000 0 0.0000000
> rentalIncome(df1)
date income
1 2014-06-30 110.000
2 2014-07-31 300.000
3 2014-08-31 300.000
4 2014-09-30 300.000
5 2014-10-31 300.000
6 2014-11-30 300.000
7 2014-12-31 300.000
8 2015-01-31 300.000
9 2015-02-28 300.000
10 2015-03-31 300.000
11 2015-04-30 300.000
12 2015-05-31 300.000
13 2015-06-30 900.000
14 2015-07-31 1619.355
15 2015-08-31 2300.000
16 2015-09-30 2300.000
17 2015-10-31 1800.000
18 2015-11-30 1200.000
19 2015-12-31 1200.000
20 2016-01-31 400.000