1

クラスタータイプの分析が必要だと思ったので、この質問を再投稿していますが、必要なのは「スライディングウィンドウ」分析です。63 年間に 59,000 のエントリが記録されたデータセットがあります。次の基準でイベントの「クラスター」を特定する必要があります。

一連の 6 つ以上のイベントで、シーケンス内の連続するイベント間の間隔が 6 時間以内。

各イベントには一意の ID と日付/タイム スタンプがあり、出力は理想的には上記の基準を満たすイベントにクラスター ID を割り当てます。スライディング ウィンドウ アプローチを使用するように指示されましたが、使用するのに最適なオプションはありますか? おそらくzooパッケージのrollapplyを使用していますか？

誰かが非常に役立つ気分になっていると感じている場合は、1 年分のデータのサンプルを追加しました。 https://dl.dropboxusercontent.com/u/16400709/StackOverflow/DataStack.csv

R でこのような分析の出力を見たことがありますが、まだ再現できていません。この分析の結果は、この論文で見ることができます --> https://dl.dropboxusercontent.com/u/16400709 /StackOverflow/fuhrmann_etal_waf2014.pdf

御時間ありがとうございます！

4

1 に答える 1

3

パッケージrollapplyから使用するソリューションを次に示します。zoo

require(chron)
require(zoo)

d <- read.csv("path/to/file/DataStack.csv")
d[] <- lapply(d, as.character)

d$time <- chron(d$Date, d$Time, format = c(dates = "d/m/y", times = "h:m:s"))
d <- d[order(d$time), ]
d$diffHours <- c(0, diff(d$time)) * 24
d$withinSixHr <- ifelse(d$diffHours < 6, 1, 0)
d$streak <- c(rep(NA, 5), rollapply(zoo(d$withinSixHr), width = 6, FUN = sum))
d$cluster <- ifelse(d$streak == 6, 1, 0)

d$clusterParticipant <- 0

for (i in 6:nrow(d)) {

  if (d[i, "cluster"] == 1) {

    d[i - 5, "clusterParticipant"] <- 1
    d[i - 4, "clusterParticipant"] <- 1
    d[i - 3, "clusterParticipant"] <- 1
    d[i - 2, "clusterParticipant"] <- 1
    d[i - 1, "clusterParticipant"] <- 1
    d[i - 0, "clusterParticipant"] <- 1

  }
}

結果は次のとおりです。

> head(d[c(1, 5:10)], n = 20)
   EventID                time   diffHours withinSixHr streak cluster clusterParticipant
2   272481 (01/01/11 00:02:00)   0.0000000           1     NA      NA                  1
3   272666 (01/01/11 00:40:00)   0.6333333           1     NA      NA                  1
4   272674 (01/01/11 00:46:00)   0.1000000           1     NA      NA                  1
5   272701 (01/01/11 01:15:00)   0.4833333           1     NA      NA                  1
6   272715 (01/01/11 02:00:00)   0.7500000           1     NA      NA                  1
7   272720 (01/01/11 02:25:00)   0.4166667           1      6       1                  1
8   272723 (01/01/11 02:56:00)   0.5166667           1      6       1                  1
21  278829 (09/01/11 03:25:00) 192.4833333           0      5       0                  0
1   268346 (17/01/11 10:03:00) 198.6333333           0      4       0                  0
43  280736 (25/01/11 15:35:00) 197.5333333           0      3       0                  0
26  279417 (25/01/11 17:15:00)   1.6666667           1      3       0                  1
44  280739 (25/01/11 17:41:00)   0.4333333           1      3       0                  1
45  280740 (25/01/11 18:08:00)   0.4500000           1      3       0                  1
46  280751 (25/01/11 18:40:00)   0.5333333           1      4       0                  1
47  280806 (25/01/11 19:09:00)   0.4833333           1      5       0                  1
48  281559 (25/01/11 21:50:00)   2.6833333           1      6       1                  1
14  276331 (01/02/11 06:10:00) 152.3333333           0      5       0                  0
15  276336 (01/02/11 08:24:00)   2.2333333           1      5       0                  0
50  281741 (01/02/11 20:06:00)  11.7000000           0      4       0                  0
11  275388 (24/02/11 15:53:00) 547.7833333           0      3       0                  0

編集: 以下のコードは、各クラスター (またはスーパークラスター) に ID 番号を付与するためのものです。変数clusterDiffを作成し、それをスイッチボードとして使用して、クラスターの状態に変化があるかどうかを判断します。大規模なデータセットではかなり遅くなりますが、うまくいきます。

d$clusterDiff <- c(d[1, "clusterParticipant"], diff(d$clusterParticipant))
d$clusterID <- as.numeric(NA)

count <- 1
inCluster <- FALSE

for (i in 1:nrow(d)) {

  if (d[i, "clusterDiff"] == 1) { 
    d[i, "clusterID"] <- count
    inCluster <- TRUE 

  } else if (d[i, "clusterDiff"] == -1) { 
    inCluster <- FALSE
    count <- count + 1

  } else if (inCluster == TRUE & d[i, "clusterDiff"] == 0) {
    d[i, "clusterID"] <- count

  } else { next }

}
于 2014-08-05T22:25:22.093 に答える