历史项目数据

Posted 2023-02-14

【中文标题】历史项目数据

【英文标题】：Historising project data

【发布时间】：2022-01-18 21:14:08

【问题描述】：

我经常遇到这样的问题，即我有描述状态（在本例中为项目阶段）的确切变化的数据，我想记录这些数据。

这意味着我希望能够在过去的某个时间描述哪个项目处于哪个阶段。

让我们使用这个测试数据：

library(data.table)
library(lubridate)

df = structure(list(Project = c("A", "A", "B", "B", "B", "B", "C", 
                            "C", "C", "D", "D"), Date = structure(c(18659, 18748, 18687, 
                                                                    18718, 18748, 18871, 18718, 18718, 18779, 18659, 18840), class = "Date"), 
                Phase = c("Init", "P2O", "Init", "P2O", "Build", "Doc", "Init", 
                          "P2O", "Build", "Init", "P2O")), row.names = c(NA, -11L), class = c("data.table", 
                                                                                              "data.frame"))

df[, Date:=ceiling_date(as.Date(Date, format="%d.%m.%Y"), "month")]

它们看起来像：

    Project       Date Phase
Project       Date Phase
 1:       A 2021-03-01  Init
 2:       A 2021-06-01   P2O
 3:       B 2021-04-01  Init
 4:       B 2021-05-01   P2O
 5:       B 2021-06-01 Build
 6:       B 2021-10-01   Doc
 7:       C 2021-05-01  Init
 8:       C 2021-05-01   P2O
 9:       C 2021-07-01 Build
10:       D 2021-03-01  Init
11:       D 2021-09-01   P2O

现在我想创建一个表格，其中每个阶段都有一个列，每个日期有一个行。

我试过了：

> dcast(df, Date~Phase, fun=length)[order(Date)]
         Date Build Doc Init P2O
1: 2021-03-01     0   0    2   0
2: 2021-04-01     0   0    1   0
3: 2021-05-01     0   0    1   2
4: 2021-06-01     1   0    0   1
5: 2021-07-01     1   0    0   0
6: 2021-09-01     0   0    0   1
7: 2021-10-01     0   1    0   0

但这是一个大错误。 让我们看看A项目。

Project       Date Phase
 1:       A 2021-03-01  Init
 2:       A 2021-06-01   P2O

项目 A 于 2021 年 3 月 1 日进入“初始化”阶段，2021 年 6 月 1 日进入“P2O”阶段。在当前的逻辑中，这看起来像：

         Date Build Doc Init P2O
1: 2021-03-01     0   0    1   0
4: 2021-06-01     0   0    0   1

但这是错误的。在 3 月和 6 月之间，该项目仍处于 Init 阶段，因此正确的应该是这样的：

         Date Build Doc Init P2O
1: 2021-03-01     0   0    1   0
2: 2021-04-01     0   0    1   0
3: 2021-05-01     0   0    1   0
4: 2021-06-01     0   0    0   1

有人知道我该如何解决这个问题吗？

【参考方案1】：

也许是这个？

dfwide <- dcast(df, Project + Date ~ Phase, fun = length)
merge(
  dfwide,
  dfwide[, .(Date = seq(min(Date), max(Date), by = "month")), by = .(Project)],
  by = c("Project", "Date"), all = TRUE
)[order(Date),
  ][, setNames(nafill(.SD, type = "locf"), names(.SD)), by = .(Project)]
#     Project       Date Build   Doc  Init   P2O
#      <char>     <Date> <int> <int> <int> <int>
#  1:       A 2021-03-01     0     0     1     0
#  2:       A 2021-04-01     0     0     1     0
#  3:       A 2021-05-01     0     0     1     0
#  4:       A 2021-06-01     0     0     0     1
#  5:       D 2021-03-01     0     0     1     0
#  6:       D 2021-04-01     0     0     1     0
#  7:       D 2021-05-01     0     0     1     0
#  8:       D 2021-06-01     0     0     1     0
#  9:       D 2021-07-01     0     0     1     0
# 10:       D 2021-08-01     0     0     1     0
# 11:       D 2021-09-01     0     0     0     1
# 12:       B 2021-04-01     0     0     1     0
# 13:       B 2021-05-01     0     0     0     1
# 14:       B 2021-06-01     1     0     0     0
# 15:       B 2021-07-01     1     0     0     0
# 16:       B 2021-08-01     1     0     0     0
# 17:       B 2021-09-01     1     0     0     0
# 18:       B 2021-10-01     0     1     0     0
# 19:       C 2021-05-01     0     0     1     1
# 20:       C 2021-06-01     0     0     1     1
# 21:       C 2021-07-01     1     0     0     0
#     Project       Date Build   Doc  Init   P2O

没有文字 merge 也一样（尽管我们只是使用 data.table-left-join 代替）

dfwide[
  dfwide[, .(Date = unique(c(seq(min(Date), max(Date), by = "month"), max(Date)))), by = .(Project)],
  on = .(Project, Date)][order(Date),
  ][, setNames(nafill(.SD, type = "locf"), names(.SD)), by = .(Project)]

unique(c(..., max(Date))) 的使用是为了确保始终使用/保留最大日期；如果seq(.) 中的任何一个未达到最大日期而未登陆，则可能不包括最大日期。当我们使用merge(.., all=TRUE) 时，这不是问题，因为无论如何它都会被保留，但是使用左连接时，它可能会被省略。 （不过，不在这个数据中。我只是在防守。）