使用R语言dplyr计算每组最大时长结果错误，寻求解决方法

问题背景 #

需求：计算每组的最大耗时。

原始数据 #

计算时长列代码 #

data1$len <- round(difftime(data1$end_date, data1$start_date, units='mins'))

含时长列的结果 #

错误的分组求最大值代码 #

library(dplyr)

data1 %>% group_by(Type) %>% summarise(max_len = max(data1$len))

错误结果 #

预期结果 #

数据结构 #

data1 <- structure(list(Type = c("Vegetarian", "Vegetarian", "Non Vegetarian", 
"Vegetarian", "Non Vegetarian"), start_date = c("2022-06-01 00:00:04", 
"2022-06-01 00:00:56", "2022-06-01 00:01:39", "2022-06-01 00:01:12", 
"2022-06-01 00:02:38"), end_date = c("2022-06-01 00:02:38", "2022-06-01 00:10:45", 
"2022-06-01 00:35:04", "2022-06-01 00:20:00", "2022-06-01 08:05:23"
)), class = "data.frame", row.names = c(NA, -5L))

错误原因 #

在dplyr分组后的summarise函数中，使用data1$len会直接引用整个原始数据框的len列，而非当前分组的子集，因此计算出的是全局最大值483 mins，并重复赋值给每个分组。

修正方案 #

方案一：直接引用列名（推荐） #

利用dplyr的语法特性，直接使用列名len，函数会自动识别当前分组的子集：

library(dplyr)

data1 %>% 
  mutate(len = round(difftime(end_date, start_date, units='mins'))) %>% 
  group_by(Type) %>% 
  summarise(max_len = max(len))

方案二：用.指代当前分组数据 #

如果需要明确指代当前分组的数据集，可以用.表示：

library(dplyr)

data1 %>% 
  mutate(len = round(difftime(end_date, start_date, units='mins'))) %>% 
  group_by(Type) %>% 
  summarise(max_len = max(.$len))

补充：规范日期格式处理 #

原始数据中的start_date和end_date为字符型，虽然difftime可以处理，但转换为日期时间类型更规范：

library(dplyr)
library(lubridate)

data1 %>% 
  mutate(
    start_date = ymd_hms(start_date),
    end_date = ymd_hms(end_date),
    len = round(difftime(end_date, start_date, units='mins'))
  ) %>% 
  group_by(Type) %>% 
  summarise(max_len = max(len))

修正后结果 #

内容的提问来源于stack exchange，提问作者Rathna