R 按客户id计算购买日期的平均差异

我想知道如何使用R来计算下面的值

假设CSV包含以下购买数据：

| Customer ID  | Purchase Date | 
| 1            | 01/01/2017    |
| 2            | 01/01/2017    |
| 3            | 01/01/2017    |
| 4            | 01/01/2017    |
| 1            | 02/01/2017    |
| 2            | 03/01/2017    |
| 2            | 07/01/2017    |

我想算出客户平均回购间隔时间

计算结果如下所示：

| Customer ID  | AVG repurchase | 
| 1            | 30 days        | = (02/01 - 01/01 / 1 order
| 2            | 90 days        | = ( (03/01 - 01/01) + (07 - 3/1) ) /2 orders
| 3            | n/a            |
| 4            | n/a            |

输出将是所有客户的总平均值——因此：60天=（客户1的平均值为30+客户2的平均值为90）/2个客户

---

我假设您已将CSV读入名为

df

的数据框中，并且我已使用重命名变量，因为名称中有空格的变量，这导致许多变量使用snake case或变量命名约定

下面是一个基本的R解决方案：

mean(sapply(by(df$purchase_date, df$customer_id, diff), mean), na.rm=TRUE)

[1] 60.75

您可能会注意到，我们得到的是

60.75

，而不是您预期的60。这是因为客户1的购买间隔为31天（1月至2月1日为31天），而客户2的购买间隔也类似——一个月内并不总是30天

解释

by（）

函数通过分组将另一个函数应用于数据。这里，我们通过

df$customer\u id

的唯一值将

diff（）

应用于

df$purchase\u date

。这本身将产生以下输出：

df$customer_id: 1
Time difference of 31 days
----------------------------------------------------------- 
df$customer_id: 2
Time differences in days
[1]  59 122

然后我们使用

sapply(by(df$purchase_date, df$customer_id, diff), mean)

将

mean（）

应用于上一个结果的元素。这为我们提供了每位客户的平均回购时间：

   1    2    3    4 
31.0 90.5  NaN  NaN

（我们看到客户3和客户4从未回购）。最后，我们需要平均这些平均回购时间，这意味着我们还需要处理那些

NaN

值，因此我们使用：

mean(sapply(by(df$purchase_date, df$customer_id, diff), mean), na.rm=TRUE)

---

这将平均以前的结果，忽略缺失的值（在R中）。

这里是另一个使用

dplyr

+

lubridate

的解决方案：

library(dplyr)
library(lubridate)

df %>%
  mutate(Purchase_Date = mdy(Purchase_Date)) %>%
  group_by(Customer_ID) %>%
  summarize(AVG_Repurchase = sum(difftime(Purchase_Date, 
                                          lag(Purchase_Date), units = "days"), 
                                 na.rm=TRUE)/(n()-1))

或使用

数据。表
：

library(data.table)

setDT(df)[, Purchase_Date := mdy(Purchase_Date)]

df[, .(AVG_Repurchase = sum(difftime(Purchase_Date, 
                                     shift(Purchase_Date), units = "days"), 
                            na.rm=TRUE)/(.N-1)), by = "Customer_ID"]

结果：

# A tibble: 4 x 2
  Customer_ID AVG_Repurchase
        <dbl>         <time>
1           1      31.0 days
2           2      90.5 days
3           3       NaN days
4           4       NaN days

   Customer_ID AVG_Repurchase
1:           1      31.0 days
2:           2      90.5 days
3:           3       NaN days
4:           4       NaN days

df = structure(list(Customer_ID = c(1, 2, 3, 4, 1, 2, 2), Purchase_Date = c(" 01/01/2017", 
" 01/01/2017", " 01/01/2017", " 01/01/2017", " 02/01/2017", " 03/01/2017", 
" 07/01/2017")), .Names = c("Customer_ID", "Purchase_Date"), class = "data.frame", row.names = c(NA, 
-7L))

你能给我们提供你的数据帧的代码吗？您可以使用
dput（）
函数获得它。这太棒了，谢谢。出于某种原因，我在by（…）函数调用中收到一个错误：`` as.character.factor（x）中的错误：格式错误的因子```代码：``基本上是`` as.character.factor（x）：格式错误的因子``中的错误。试图更新我的评论，但格式错误。。。haI认为，只有通过拥有您的数据，才能重现此错误，并因此修复/解决此错误。如果将
dput（orders）
的输出添加到问题中，可能会有所帮助。作为将来的参考，如果你一开始就这样做，你通常会得到更好的答案（这就是为什么芭芭拉会留下这样的评论）。谢谢。对不起，我对R还是新手-我从这个帖子中学到了很多。通过将DF中的字段转换为日期字段，我使它一切正常。df$购买日期
df = structure(list(Customer_ID = c(1, 2, 3, 4, 1, 2, 2), Purchase_Date = c(" 01/01/2017", 
" 01/01/2017", " 01/01/2017", " 01/01/2017", " 02/01/2017", " 03/01/2017", 
" 07/01/2017")), .Names = c("Customer_ID", "Purchase_Date"), class = "data.frame", row.names = c(NA, 
-7L))