我有很多的时间序列的数据帧：
1 0:03 B 1
2 0:05 A 1
3 0:05 A 1
4 0:05 B 1
5 0:10 A 1
6 0:10 B 1
7 0:14 B 1
8 0:18 A 1
9 0:20 A 1
10 0:23 B 1
11 0:30 A 1
我想组时间序列成每6分钟和计数A和B的频率：
1 0:06 A 2
2 0:06 B 2
3 0:12 A 1
4 0:12 B 1
5 0:18 A 1
6 0:24 A 1
7 0:24 B 1
8 0:18 A 1
9 0:30 A 1
同时，该类时间序列的是人品。 我该怎么办？
POSIXct ， cut了6个分钟的间隔时间，然后count 。 首先，你需要指定的年，月，日，小时，分钟和数据的秒。 这将帮助它扩展到更大的数据集。
library(tidyverse)
library(lubridate)
# sample data
d <- data.frame(t = paste0("2019-06-02 ",
c("0:03","0:06","0:09","0:12","0:15",
"0:18","0:21","0:24","0:27","0:30"),
":00"),
g = c("A","A","B","B","B"))
d$t <- ymd_hms(d$t) # convert to POSIXct with `lubridate::ymd_hms()`
如果检查class新的日期栏，你会看到它是“POSIXct”。
> class(d$t)
[1] "POSIXct" "POSIXt"
现在的数据是“POSIXct”，可以cut一分间隔吧！ 作为新列名为我们将增加这个新的聚合因子tc 。
d$tc <- cut(d$t, breaks = "6 min")
d
t g tc
1 2019-06-02 00:03:00 A 2019-06-02 00:03:00
2 2019-06-02 00:06:00 A 2019-06-02 00:03:00
3 2019-06-02 00:09:00 B 2019-06-02 00:09:00
4 2019-06-02 00:12:00 B 2019-06-02 00:09:00
5 2019-06-02 00:15:00 B 2019-06-02 00:15:00
6 2019-06-02 00:18:00 A 2019-06-02 00:15:00
7 2019-06-02 00:21:00 A 2019-06-02 00:21:00
8 2019-06-02 00:24:00 B 2019-06-02 00:21:00
9 2019-06-02 00:27:00 B 2019-06-02 00:27:00
10 2019-06-02 00:30:00 B 2019-06-02 00:27:00
现在，您可以group_by这个新的时间间隔（ tc ）和您的分组列（ g ），并计算出现次数的频率。 获得的观测的频率的组中是一个相当普遍的操作，因此dplyr提供count为这样：
count(d, g, tc)
# A tibble: 7 x 3
g tc n
<fct> <fct> <int>
1 A 2019-06-02 00:03:00 2
2 A 2019-06-02 00:15:00 1
3 A 2019-06-02 00:21:00 1
4 B 2019-06-02 00:09:00 2
5 B 2019-06-02 00:15:00 1
6 B 2019-06-02 00:21:00 1
7 B 2019-06-02 00:27:00 2
如果你运行?dplyr::count()在控制台，你会看到count(d, tc)简直就是一个包装group_by(d, g, tc) %>% summarise(n = n())
根据样本数据集，时间序列给出，时间的日即没有日期。
该data.table封装具有ITime类，这是存储为秒在当天整数时间的天的类。 随着data.table ，我们可以使用滚动联接到次映射到6周分钟的时间间隔（ 右闭区间 ）的上限：
library(data.table)
# coerce from character to class ITime
setDT(ts)[, time := as.ITime(time)]
# create sequence of breaks
breaks <- as.ITime(seq(as.ITime("0:00"), as.ITime("23:59:59"), as.ITime("0:06")))
# rolling join and aggregate
ts[, CJ(breaks, group, unique = TRUE)
][ts, on = .(group, breaks = time), roll = -Inf, .(x.breaks, group)
][, .N, by = .(upper = x.breaks, group)]
返回
upper group N 1: 00:06:00 B 2 2: 00:06:00 A 2 3: 00:12:00 A 1 4: 00:12:00 B 1 5: 00:18:00 B 1 6: 00:18:00 A 1 7: 00:24:00 A 1 8: 00:24:00 B 1 9: 00:30:00 A 1
如果该滚动的方向联接改变（ roll = +Inf而不是roll = -Inf ），我们被甩在闭区间
ts[, CJ(breaks, group, unique = TRUE)
][ts, on = .(group, breaks = time), roll = +Inf, .(x.breaks, group)
][, .N, by = .(lower = x.breaks, group)]
这显著改变了结果：
lower group N 1: 00:00:00 B 2 2: 00:00:00 A 2 3: 00:06:00 A 1 4: 00:06:00 B 1 5: 00:12:00 B 1 6: 00:18:00 A 2 7: 00:18:00 B 1 8: 00:30:00 A 1
library(data.table)
ts <- fread("
1 0:03 B 1
2 0:05 A 1
3 0:05 A 1
4 0:05 B 1
5 0:10 A 1
6 0:10 B 1
7 0:14 B 1
8 0:18 A 1
9 0:20 A 1
10 0:23 B 1
11 0:30 A 1"
, header = FALSE
, col.names = c("rn", "time", "group", "value"))
