在 data.table 中使用 "or" 的条件行明智聚合

Conditional row wise aggregation using "or" in data.table

我有一个相当大的(300 万行)data.table 包含许多客户的发票和付款,其中每个客户都有许多(唯一的)文件,每个文件都有一个创建日期,和一个单据付款的日期。如果还没有付款日期,payment_date 列会列出 NA。数据看起来像这样:

dt = data.table(
  customer_id = c(rep(1,4), rep(2,4)),
  document_id = c(1:8),
  creation_date = as.Date(c("2005-03-01", "2005-03-03", "2005-03-10", "2005-03-25", "2006-03-01", "2006-03-04", "2006-03-10", "2006-03-12"), "%Y-%m-%d"),
  payment_date = as.Date(c("2005-03-05", "2005-03-07", NA, "2005-03-28", "2006-03-05", NA, "2006-03-15", "2006-03-16"), "%Y-%m-%d"),
  open_docs_10 = c(0,1,2,1,0,1,2,3),
  percentage_open_10 = c(0.0,0.20,0.70,1.0,0.0,0.3,1.0,1.0)
)

每个文档(即每行),我希望(理想情况下)计算两个特征:

1) Open_docs_10,即当前文档的customer_id在一定时间window(比如10天)内未付款或"open"文档的数量) 在 document_id 的创建日期之前。 "Open" 表示 payment_date 是 NA,落在时间间隔之后或落在时间间隔内,而 creation_date 在时间间隔内或之前。

2) Percentage_open_10,这是 windows 客户打开文档的天数百分比。文档的数量并不重要;该图表示“在创建此新文档时,该客户前 10 天中有 4 天有未结付款”。

对于 1),我尝试了类似的方法:


open_docs_10 = dt[,c("customer_id", "document_id", "creation_date", "payment_date")] %>% 
  .[, open_docs_10 := .[.(customer_id = customer_id, upper = creation_date, lower = creation_date - days(10)), 
                       on = .(customer_id, payment_date >= lower, creation_date > lower), uniqueN(document_id), by=.EACHI
                       ]$V1
    ]

但这还没有给出正确的结果,因为 true/correct 连接条件必须类似于

payment_date >= lower OR upper >= creation_date >= lower

看来我不能在 "on" 子句中使用 and/or 语句。但是我该如何实现,使用 data.table?

对于 2),我不知道如何解决这个问题。

我不受任何真正意义上使用 data.table 的约束;也许我正试图以一种困难的方式解决我的问题,而另一个 R 包会提供一种更智能的处理方式?任何帮助将不胜感激!

我认为您在 percentage_open_10 的计算中没有始终如一地包括或排除结束日期。如果我们包括结束日期,您可以使用以下内容:

ndays <- 10L
setnafill(dt, fill=as.IDate("9999-12-31"), cols="payment_date")

dt[, cd10 := creation_date - ndays + 1L]

dt[, c("open_docs_10", "percentage_open_10") := 
    .SD[.SD, on=.(customer_id, creation_date<=creation_date, payment_date>=cd10), 
        allow.cartesian=TRUE, by=.EACHI, {
        ix <- x.document_id != i.document_id
        p <- 0
        if (any(ix)) {
            lastd <- min(c(i.creation_date, max(x.payment_date[ix]))) 
            firstd <- if (any(ix)) max(c(i.cd10, min(x.creation_date[ix]))) 
            p <- (lastd - firstd + 1) / 10
        }
        .(.N - 1L, p)
    }][, (1L:3L) := NULL]
]

输出:

   customer_id document_id creation_date payment_date       cd10 open_docs_10 percentage_open_10
1:           1           1    2005-03-01   2005-03-05 2005-02-20            0                0.0
2:           1           2    2005-03-03   2005-03-07 2005-02-22            1                0.3
3:           1           3    2005-03-10   9999-12-31 2005-03-01            2                0.7
4:           1           4    2005-03-25   2005-03-28 2005-03-16            1                1.0
5:           2           5    2006-03-01   2006-03-05 2006-02-20            0                0.0
6:           2           6    2006-03-04   9999-12-31 2006-02-23            1                0.4
7:           2           7    2006-03-10   2006-03-15 2006-03-01            2                1.0
8:           2           8    2006-03-12   2006-03-16 2006-03-03            3                1.0

但是,有 300 万行,我不希望这能在几秒钟内完成。