R语言如何基于tibble计算2019年各月可用性指标

核心注意点 #

• 若停机记录的start和end跨自然月，不能直接按start/end所属月份聚合，必须拆分跨月时长到对应月份，否则结果会出现偏差
• 需先统一start和end字段的时区，示例数据两个字段时区分别为UTC和GMT，本质一致但不统一会触发计算报错
• 无任何停机记录的月份，downtime按0计算，可用性为100%

实现步骤 #

1. 加载依赖包 #

使用lubridate处理时间逻辑，tidyverse做数据整理：

library(tidyverse)
library(lubridate)

2. 原始数据预处理 #

统一时区，过滤停机时长为0的无效记录（即start == end的条目），生成停机时间区间：

# 读入示例数据
raw_dt <- structure(list(start = structure(c(1550048400, 1558008000, 1558703040, 
                                          1561032000, 1560945660, 1563451200), tzone = "UTC", class = c("POSIXct", "POSIXt")),
                         end = structure(c(1550143989, 1558008000, 1558956840, 
                                           1561032000, 1560945660, 1563451200), tzone = "GMT", class = c("POSIXct", "POSIXt"))),
                    row.names = c(NA, -6L), class = c("tbl_df", "tbl", "data.frame"))

clean_dt <- raw_dt %>%
  mutate(
    # 统一时区为UTC
    across(c(start, end), ~with_tz(.x, tzone = "UTC")),
    down_interval = interval(start, end)
  ) %>%
  # 过滤0时长无效记录
  filter(start < end)

3. 构建2019年自然月基准表 #

生成全年12个月的起止时间、总时长（秒级），作为计算基准：

month_base <- tibble(
  month_start = seq(ymd("2019-01-01", tz = "UTC"), ymd("2019-12-01", tz = "UTC"), by = "month"),
  month_end = ceiling_date(month_start, unit = "month") - seconds(1),
  month = format(month_start, "%Y-%m")
) %>%
  mutate(
    month_interval = interval(month_start, month_end),
    # 当月总秒数，加1是因为包含月末最后一秒
    total_sec = as.numeric(month_end - month_start, units = "secs") + 1
  ) %>%
  select(month, total_sec)

4. 拆分跨月停机，按月聚合downtime #

遍历每条停机记录，识别其覆盖的月份，分别计算落在每个月的停机秒数，再按月求和：

month_downtime <- map_dfr(1:nrow(clean_dt), function(i){
  cur_down_int <- clean_dt$down_interval[i]
  # 筛选和当前停机区间有重叠的月份
  month_base %>%
    mutate(
      month_int = interval(ymd(paste0(month, "-01"), tz = "UTC"), 
                           ceiling_date(ymd(paste0(month, "-01"), tz = "UTC"), "month") - seconds(1)),
      # 计算重叠起止点
      overlap_start = pmax(start(cur_down_int), start(month_int)),
      overlap_end = pmin(end(cur_down_int), end(month_int)),
      # 当月停机秒数
      down_sec = as.numeric(overlap_end - overlap_start, units = "secs")
    ) %>%
    filter(int_overlaps(month_int, cur_down_int)) %>%
    select(month, down_sec)
}) %>%
  group_by(month) %>%
  summarise(total_down_sec = sum(down_sec), .groups = "drop")

5. 计算月度可用性A #

合并月度总时长和停机时长，无停机记录的月份填充downtime为0，代入公式计算：

monthly_A <- month_base %>%
  left_join(month_downtime, by = "month") %>%
  # 无停机记录的月份downtime设为0
  replace_na(list(total_down_sec = 0)) %>%
  mutate(
    uptime_sec = total_sec - total_down_sec,
    availability = uptime_sec / total_sec
  )

示例数据计算结果 #

针对提供的示例数据，有效停机记录共2条：

• 2019-02：停机95589秒，可用性约为99.962%
• 2019-05：停机253800秒，可用性约为99.905%
• 其余10个月无停机，可用性为100%

内容的提问来源于stack exchange，提问作者dzegpi