如何在活跃年份分布项目？

Posted 2023-03-24

【中文标题】如何在活跃年份分布项目？

【英文标题】：How to spread projects across active years?

【发布时间】：2017-04-07 14:03:53

【问题描述】：

我有一个包含 10000 多个项目的 Excel 电子表格，每个项目的开始日期和结束日期都不同。我需要将项目分布在它们活跃的年份中，以便按年份进行准确计数。从这个例子开始我该怎么做？

start date   end date     entityNo  amount
4/1/2001     8/31/2012      1         500
1/1/2005     12/31/2007     2         100

我最初想到的解决方案是在 Excel 中获取开始日期和结束日期之间的差异（结束日期 - 开始日期 + 1），以便我获得每个项目的持续时间（以天为单位）。在获得天数后，例如 4100 天，我将持续时间除以一年中的总天数（365.25 天），这将给出我的年份范围，但是当我将每个项目分配给正确的年份。

超过 10,000 个项目的数据集的预期输出：

start date   end date         no of years  entityNo  amount
4/1/2001     8/31/2012                11            1         500
2002
2003
2004
2005
2006
2007 upto 8/31/2012

随后是另一个具有不同实体编号的项目

start date       end date      entity no      amount
   1/1/2005     12/31/2007     2              100

输出

years       entity no     amount
1/1/2005    2             100
2006        2             100
2/31/2007   2             100

【问题讨论】：

你想做什么？你想用 Sql、R、Excel 做什么？为什么是三个标签。你试过什么了？你的例子不是很清楚。 “传播项目......”是什么意思？

我想要一个基于 r、excel 或 sql 的响应。我的意思是，如果一个项目从 2001 年到 2012 年运行了 11 年，它应该出现 11 次，如果另一个运行了 5 年，它应该出现 5 次。

“出现”是什么意思？你能显示一个预期的输出样本吗？您只是想将数据复制到 X 多行吗？

@BruceWayne 是的，这就是我想做的事

@daisym 如果您不断更改预期输出，我无能为力。

【参考方案1】：

这个解决方案需要r包lubridate。

library(tidyverse)
library(lubridate)

# Create example data frame
dat <- tribble(
  ~`start date`, ~`end date`, ~`entityNo`, ~`amount`,
  "4/1/2001",  "8/31/2012",   1,         500,
  "1/1/2005",  "12/31/2007",  2,         100
)

dat %>%
  mutate(`start date` = mdy(`start date`), `end date` = mdy(`end date`)) %>%
  mutate(`start year` = year(`start date`), `end year` = year(`end date`)) %>%
  mutate(`no of years` = `end year` - `start year`) %>%
  select(`start date`, `end date`, `no of years`, entityNo, amount)

或者你可以使用一些字符串操作方法。

dat %>%
  mutate(`no of years` = as.numeric(substring(`end date`, nchar(`end date`) - 3)) -
           as.numeric(substring(`start date`, nchar(`start date`) - 3))) %>%
  select(`start date`, `end date`, `no of years`, entityNo, amount)

【参考方案2】：

根据最新的编辑，OP 希望按日历年细分每个项目的持续时间。这可以通过使用data.table 包的foverlaps() 函数来完成。

读取数据

library(data.table)
projects <- fread(
"start_date   end_date     entityNo  amount
4/1/2001     8/31/2012      1         500
1/1/2005     12/31/2007     2         100")

fread() 可用于从磁盘快速读取csv 文件。这里使用了一个方便的特性，允许从字符变量中读取数据。

准备数据

library(lubridate)
# convert dates from character to Date class
date_cols <- c("start_date", "end_date")
projects[, (date_cols) := lapply(.SD, mdy), .SDcols = date_cols]

# compute duration of project = number of years in which project was active
projects[, years_active := year(end_date) - year(start_date) + 1]

请注意，years_active 与 OP 给出的 no of years 不同。 years_active 是传播数据所需的行数。

为计算重叠创建日期范围

date_range <- projects[, .(year = seq(year(min(start_date)), 
                                      year(max(end_date))))]
date_range[, start_in_year := ymd(paste0(year, "-01-01"))]
date_range[, end_in_year := ymd(paste0(year, "-12-31"))]
setkey(date_range, start_in_year, end_in_year)

date_range
#    year start_in_year end_in_year
# 1: 2001    2001-01-01  2001-12-31
# 2: 2002    2002-01-01  2002-12-31
# 3: 2003    2003-01-01  2003-12-31
# ...
#10: 2010    2010-01-01  2010-12-31
#11: 2011    2011-01-01  2011-12-31
#12: 2012    2012-01-01  2012-12-31

请注意，可以扩展此方法以创建按季度、月、ISO 周或天划分的持续时间。

计算重叠区间

projects_by_year <- foverlaps(projects, date_range, by.x = date_cols)
# adjust start_in_year to coincide with project start date
projects_by_year[, start_in_year := pmax(start_in_year, start_date)]
# adjust end_in_year to coincide with project end date
projects_by_year[, end_in_year := pmin(end_in_year, end_date)]

projects_by_year
#    year start_in_year end_in_year start_date   end_date entityNo amount years_active
# 1: 2001    2001-04-01  2001-12-31 2001-04-01 2012-08-31        1    500           12
# 2: 2002    2002-01-01  2002-12-31 2001-04-01 2012-08-31        1    500           12
# 3: 2003    2003-01-01  2003-12-31 2001-04-01 2012-08-31        1    500           12
# ...
#10: 2010    2010-01-01  2010-12-31 2001-04-01 2012-08-31        1    500           12
#11: 2011    2011-01-01  2011-12-31 2001-04-01 2012-08-31        1    500           12
#12: 2012    2012-01-01  2012-08-31 2001-04-01 2012-08-31        1    500           12
#13: 2005    2005-01-01  2005-12-31 2005-01-01 2007-12-31        2    100            3
#14: 2006    2006-01-01  2006-12-31 2005-01-01 2007-12-31        2    100            3
#15: 2007    2007-01-01  2007-12-31 2005-01-01 2007-12-31        2    100            3

项目 1 分 12 年/行，项目 2 分 3 年。调整start_in_year 和end_in_year 以匹配每个项目的相应开始和结束年中的正确开始和结束日期。

希望这是预期的结果。

---

按年份计算聚合

长格式非常适合计算每年的聚合。例如，每年的项目数：

projects_by_year[, .N, by = year]
#    year N
# 1: 2001 1
# 2: 2002 1
# 3: 2003 1
# 4: 2004 1
# 5: 2005 2
# 6: 2006 2
# 7: 2007 2
# 8: 2008 1
# 9: 2009 1
#10: 2010 1
#11: 2011 1
#12: 2012 1

或每年的总金额：

projects_by_year[, sum(amount), by = year]
#    year  V1
# 1: 2001 500
# 2: 2002 500
# 3: 2003 500
# 4: 2004 500
# 5: 2005 600
# 6: 2006 600
# 7: 2007 600
# 8: 2008 500
# 9: 2009 500
#10: 2010 500
#11: 2011 500
#12: 2012 500 

【讨论】：

其中一个答案是否解决了您的问题？如果是这样，请接受和/或投票，以便将问题标记为已回答。否则，请让我们知道为什么答案对您不起作用，以便可以改进它以使您和其他 SO 用户受益。谢谢。