如何按120天时间间隔对订单日期进行索引分组

问题描述 #

我正在尝试解决如何对120天间隔内的订单进行索引的问题，现有如下R语言DataFrame：

customerid <- c("A1", "A1", "A1", "A1", "A1",  "A1", "A1", "A1", "A1", "A1", "A1", "A1", "A1","A2", "A2", "A2")
orderid <- c("1", "2", "3", "4", "5", "6", "7", "8", "9", "10","11","12","13","14","15","16")
orderdate <- c("2019-07-26", "2019-08-23", "2019-09-19", "2019-10-18", "2020-01-15", "2020-05-14","2020-06-09","2020-08-20", "2020-09-18", "2020-10-23", "2020-12-18", "2021-08-05", "2021-12-27", "2018-03-13", "2019-10-08", "2019-12-12")
df <- data.frame(customerid, orderid, orderdate)

需求说明 #

针对每个客户，按120天间隔为订单分配索引编号：

• 以客户的首个订单日期为第一基准日期，该日期120天内的所有订单分配index_number = 1
• 下一个基准日期为首个超出第一区间的订单日期，该日期120天内的订单分配index_number = 2
• 以此类推，直到所有订单完成分组

补充问题 #

1. 若orderdate未按时间先后排序，该如何处理？
2. 日期数据类型变更后，代码是否需要调整？

解决方案 #

第一步：数据预处理（日期转换+排序） #

不管原数据有没有排序，先把日期转成可计算的Date类型，再按客户和日期升序排列，这是后续计算的基础：

# 将字符型日期转换为Date类型
df$orderdate <- as.Date(df$orderdate)

# 按客户ID分组，再按订单日期从早到晚排序
df <- df[order(df$customerid, df$orderdate), ]

第二步：分配120天间隔索引 #

这里提供两种实现方式，选你熟悉的工具即可：

方法1：用dplyr实现

library(dplyr)

df <- df %>%
  group_by(customerid) %>%
  mutate(
    # 初始化第一组的索引和基准日期
    index_number = 1,
    base_date = first(orderdate)
  ) %>%
  # 从第二个订单开始，逐个判断是否超出当前基准的120天
  mutate(
    index_number = accumulate(orderdate[-1], .init = 1, function(current_idx, date) {
      current_base = base_date[current_idx]
      # 超出120天则索引+1，否则保持原索引
      if (date > current_base + 120) current_idx + 1 else current_idx
    }) %>% c(1, .), # 补回第一个订单的索引1
    # 索引变化时，更新基准日期为当前订单日期
    base_date = accumulate(index_number, .init = first(orderdate), function(current_base, idx) {
      if (idx > lag(idx, default = 1)) {
        orderdate[which(index_number == idx)[1]]
      } else {
        current_base
      }
    })
  ) %>%
  select(-base_date) %>% # 删除临时基准日期列
  ungroup()

方法2：用data.table实现（大数据场景更高效）

library(data.table)
setDT(df)
# 转换日期类型+排序
df[, orderdate := as.Date(orderdate)]
df <- df[order(customerid, orderdate)]

# 按客户分组计算索引
df[, index_number := {
  idx <- 1
  base_date <- first(orderdate)
  sapply(orderdate, function(date) {
    if (date > base_date + 120) {
      idx <<- idx + 1
      base_date <<- date
    }
    idx
  })
}, by = customerid]

补充问题解答 #

1. 排序处理：直接用order(df$customerid, df$orderdate)（dplyr/data.table通用逻辑）即可完成排序——先按客户分组，再按订单日期升序排列，确保计算时订单按时间顺序处理。
2. 数据类型调整：必须将orderdate转换为Date类型！如果原数据是字符型日期，不转换的话无法进行日期加减运算（比如+120天）；如果已经是Date类型，转换步骤可以跳过，但排序仍需执行。

内容的提问来源于stack exchange，提问作者pandas123