根据特定条件对数据进行分组，并在 R 或 Python 中查找持续时间

Question

我有一个数据集df，如下所示： subject    recipient                  length   folder    message  date                       edit                                        80      out                1/2/2020 1:00:01 AM        T                                                                            80      out                1/2/2020 1:00:05 AM        T                   hey        [e-mail],[e-mail]    80      out                1/2/2020 1:00:10 AM        They        [e-mail],[e-mail]    80      out                1/2/2020 1:00:15 AM        They        [e-mail],[e-mail]    80      out                1/2/2020 1:00:30 AM        Tsome       k                           900      in       jjjjj     1/2/2020 1:00:35 AM        Fsome       k                           900      in       jjjjj     1/2/2020 1:00:36 AM        F some       k                           900      in       jjjjj     1/2/2020 1:00:37 AM        Fhey        [e-mail],[e-mail]    80    draft                1/2/2020 1:02:00 AM        They        [e-mail],[e-mail]    80    draft                1/2/2020 1:02:05 AM        T    no         a                          900       in        iii      1/2/2020 1:02:10 AM        Fno         a                          900       in        iii      1/2/2020 1:02:15 AM        Fno         a                          900       in        iii      1/2/2020 1:02:20 AM        Fno         a                          900       in        iii      1/2/2020 1:02:25 AM        F数据集表示用户何时编辑消息、离开并继续执行该消息。我正在尝试捕获手头消息的总持续时间。我知道我必须首先对消息进行分组。我希望根据以下条件对消息进行分组：如果“文件夹”列为 == “out” 或 “draft”，如果“消息”列为 == “”，并且 Edit == “T”，则“长度”列也应连续相同。因此，一旦我有了这些组，我希望找到这些组的持续时间（开始和结束）。例如，第一组持续时间为 29 秒，因为它从 1/2/2020 1：00：01 AM 开始，到 1/2/2020 1：00：30 AM 结束。第二组将于1/2/2020 1：02：00开始，并于凌晨1：02：05结束。最后，第三组从1/2/2020 1：03：00 AM开始，到1：03：20 AM结束。此外，由于这些组都属于同一邮件，因此我想使用以下逻辑将这些组完全链接在一起：组最后一行中的“主题”、“收件人”和“长度”内容与下一个组的第一行“主题”、“收件人”和“长度”匹配，则这些都属于同一组。

Answer 1

df %>% 

  # The original data was loaded as factors, which have their uses, but

  #   converting those to characters will be simpler to work with here.

  mutate_if(is.factor, as.character) %>% 

  # I'm replacing NA in Subj & Recip with an empty string, and trimming 

  #    excess spaces from the start and end. One of the recipients is " "

  #    but I assume that's functionally the same as blank.

  mutate_at(c("Subject", "Recipient"), ~if_else(is.na(.), "", stringr::str_trim(.))) %>%

  filter(Subject != '') %>%

  mutate(Date = as.POSIXct(Date, format = '%m/%d/%Y %H:%M:%OS')) %>%

  mutate(cond = Edit & Folder %in% c('out', 'draft') & Message == '') %>% 

  mutate(segment = cumsum(!cond)) %>%

  filter(cond) %>%   # EDIT: Added to exclude rows matching cond

  # Get summary stats for each segment

  group_by(Subject, Recipient, Length, segment) %>%

  summarize(Start = min(Date),

            End = max(Date),

            Duration = End - Start) %>%

  # This counts the number of times that these columns don't match their

  #   predecessor. TRUE = 1, so we get 1 when anything changes.

  #   Look at ?lag for more on what those parameters mean.

  mutate(new_group = (Subject   != lag(Subject, 1, "")) *

                     (Recipient != lag(Recipient, 1, "")) *

                     (Length    != lag(Length, 1, ""))) %>%

  ungroup() %>%

  mutate(group = LETTERS[cumsum(new_group)])

# A tibble: 3 x 9

  Subject Recipient                   Length segment Start               End                 Duration new_group group

  <chr>   <chr>                        <int>   <int> <dttm>              <dttm>              <drtn>       <int> <chr>

1 hey     [e-mail],[e-mail]     80       0 2020-01-02 01:00:10 2020-01-02 01:00:30 20 secs          1 A    

2 hey     [e-mail],[e-mail]     80       3 2020-01-02 01:02:00 2020-01-02 01:02:05  5 secs          0 A    

3 hey     [e-mail],[e-mail]     80       7 2020-01-02 01:03:00 2020-01-02 01:03:20 20 secs          0 A