R：计算特定事件之间的时间差

我有以下数据集：

df = data.frame(cbind(user_id = c(rep(1, 4), rep(2,4)),
                  complete_order = c(rep(c(1,0,0,1), 2)),
                  order_date = c('2015-01-28', '2015-01-31', '2015-02-08', '2015-02-23', '2015-01-25', '2015-01-28', '2015-02-06', '2015-02-21')))  

library(lubridate)
df$order_date = as_date(df$order_date)

user_id complete_order order_date
      1              1 2015-01-28
      1              0 2015-01-31
      1              0 2015-02-08
      1              1 2015-02-23
      2              1 2015-01-25
      2              0 2015-01-28
      2              0 2015-02-06
      2              1 2015-02-21

我试图计算每个用户仅完成订单之间的天数差异。理想的结果如下所示：

user_id complete_order order_date complete_order_time_diff
<fctr>         <fctr>     <date>              <time>
   1              1    2015-01-28             NA days
   1              0    2015-01-31              3 days
   1              0    2015-02-08             11 days
   1              1    2015-02-23             26 days
   2              1    2015-01-25             NA days
   2              0    2015-01-28              3 days
   2              0    2015-02-06             12 days
   2              1    2015-02-21             27 days

它返回错误：

错误：大小不兼容（3），应为4（组大小）或1

---

这方面的任何帮助都会很好，谢谢

我认为您可以添加一个

过滤器

函数来代替带有

order\u date[complete\u order==1]

的子集，并通过将

stringsAsFactors=F

添加到

data.frame（）

）来确保

order\u date（和其他变量）是正确的数据类型：

试试这个

library(dplyr)

df %>% group_by(user_id, complete_order) %>% 
   mutate(c1 = order_date - lag(order_date)) %>% 
   group_by(user_id) %>% mutate(c2 = order_date - lag(order_date)) %>% ungroup %>% 
   mutate(complete_order_time_diff = ifelse(complete_order==0, c2, c1)) %>% 
   select(-c(c1, c2))

更新
对于多个取消的订单

 df %>% mutate(c3=cumsum( complete_order != "0")) %>% group_by(user_id, complete_order) %>% 
  mutate(c1 = order_date - lag(order_date)) %>% 
  group_by(user_id) %>% mutate(c2 = order_date - lag(order_date)) %>% 
  mutate(c2=as.numeric(c2)) %>% group_by(user_id, c3) %>% 
  mutate(c2=cumsum(ifelse(complete_order==1, 0, c2))) %>% ungroup %>% 
  mutate(complete_order_time_diff = ifelse(complete_order==0, c2, c1)) %>% 
  select(-c(c1, c2, c3))

逻辑
c3
是一个
id
，每次有一个订单（即
complete\u order not 0
）递增1

c1
计算用户id的日差（但对于未完成的订单，结果是错误的）

c2
修复了
c1
与非完整订单之间的这种不一致性

希望这能澄清问题

我建议您使用
groupby（）
和
mutate（cumsum（））
的组合，以便更好地理解拥有多个分组变量的结果。
您似乎在寻找每个订单与上次完成的订单之间的距离。有一个二进制向量，
x
，
c（NA，cummax（x*seq_沿着（x））[-length（x）]）
给出每个元素前面最后一个“1”的索引。然后，从相应索引处的“订单日期”中减去“订单日期”的每个元素，得到所需的输出。例如

set.seed(1453); x = sample(0:1, 10, TRUE)
set.seed(1821); y = sample(5, 10, TRUE)
cbind(x, y, 
      last_x = c(NA, cummax(x * seq_along(x))[-length(x)]), 
      y_diff = y - y[c(NA, cummax(x * seq_along(x))[-length(x)])])
#      x y last_x y_diff
# [1,] 1 3     NA     NA
# [2,] 0 3      1      0
# [3,] 1 5      1      2
# [4,] 0 1      3     -4
# [5,] 0 3      3     -2
# [6,] 1 5      3      0
# [7,] 1 1      6     -4
# [8,] 0 3      7      2
# [9,] 0 4      7      3
#[10,] 1 5      7      4

在您的数据上，为方便起见，请使用第一种格式
df
：

df$order_date = as.Date(df$order_date)
df$complete_order = df$complete_order == "1"  # lose the 'factor'

然后，在

分组后应用上述方法：

library(dplyr)
df %>% group_by(user_id) %>% 
   mutate(time_diff = order_date - 
order_date[c(NA, cummax(complete_order * seq_along(complete_order))[-length(complete_order)])])

，或者，在考虑“用户id”更改的索引后，尝试避免分组的操作（假设“用户id”已排序）：

---

嗨，Joshua，谢谢，但我需要在数据集中保留取消的订单（完成的订单==0），并计算它们的时差。谢谢，dimitris，不幸的是，这对我不起作用：正如预期结果中所建议的，我还需要计算取消订单（完成的订单==0）的时差！在此发布之前尝试过此方法，此解决方案还将计算完成订单和取消订单之间的时间差。如果我们定义了

time\u diff=x-y

，那么

x

可以是任何类型的订单，但

y

必须始终是完整的订单。希望这有意义现在看起来很有希望，让我在接受答案之前在更复杂的数据集上测试一下，谢谢！另外，我认为您期望的结果的最后一行应该是

9天

，而不是

6天

，最后一行是

24天

，否则我仍然缺少一些东西。好的，我可以看到您的解决方案在大多数情况下都有效，但在一个客户的行中有多个取消订单时就不行了。我将编辑示例数据集，以便它考虑这样的场景。再次感谢你的帮助！似乎你可以尝试通过“用户id”应用函数

ff=function（complete，date）date-date[c（NA，cummax（complete*seq_-along（complete））[-length（complete）]]

，其中“complete_order”和“order_-date”分别作为“complete”和“date”传递。谢谢，@alexis_-laz，这绝对是正确的方向。然而，当我测试您的解决方案时——使用所有数据预处理步骤——我得到取消订单的NAs（已完成订单==0），您知道如何解决吗？@KasiaKulma：您是指示例中的“df”还是您的实际数据？如果是后者，您能否提供/

dput

一个示例，说明它返回的是

NA

？“dplyr”方法和最后一个方法都返回

NA

？您好，我的测试集中的分组结果是错误的，更正后，解决方案非常有效，谢谢！另外，感谢您对解决方案工作原理的清晰解释，非常有用@卡西亚库尔马：很高兴你发现它很有用。祝你好运我尝试将相同的原则应用于取消的订单，但结果不一致，即使上次取消订单的位置计算正确。你介意在这个（）上聊一聊吗？

set.seed(1453); x = sample(0:1, 10, TRUE)
set.seed(1821); y = sample(5, 10, TRUE)
cbind(x, y, 
      last_x = c(NA, cummax(x * seq_along(x))[-length(x)]), 
      y_diff = y - y[c(NA, cummax(x * seq_along(x))[-length(x)])])
#      x y last_x y_diff
# [1,] 1 3     NA     NA
# [2,] 0 3      1      0
# [3,] 1 5      1      2
# [4,] 0 1      3     -4
# [5,] 0 3      3     -2
# [6,] 1 5      3      0
# [7,] 1 1      6     -4
# [8,] 0 3      7      2
# [9,] 0 4      7      3
#[10,] 1 5      7      4

df$order_date = as.Date(df$order_date)
df$complete_order = df$complete_order == "1"  # lose the 'factor'

library(dplyr)
df %>% group_by(user_id) %>% 
   mutate(time_diff = order_date - 
order_date[c(NA, cummax(complete_order * seq_along(complete_order))[-length(complete_order)])])

# save variables to vectors and keep a "logical" of when "id" changes
id = df$user_id
id_change = c(TRUE, id[-1] != id[-length(id)])

compl = df$complete_order
dord = df$order_date

# accounting for changes in "id", locate last completed order
i = c(NA, cummax((compl | id_change) * seq_along(compl))[-length(compl)])
is.na(i) = id_change

dord - dord[i]
#Time differences in days
#[1] NA  3 11 26 NA  3 12 27