R语言数据分析从入门到高级：（十）数据清洗之日期型数据处理

R语言数据分析

• 个人主页：JoJo的数据分析历险记
• 个人介绍：小编大四统计在读，目前保研到统计学top3高校继续攻读统计研究生
• 如果文章对你有帮助，欢迎关注、点赞、收藏、订阅专栏

---

本系列主要介绍R语言在数据分析领域的应用包括：
R语言编程基础、R语言可视化、R语言进行数据操作、R语言建模、R语言机器学习算法实现、R语言统计理论方法实现。
本系列会完成下去，请大家多多关注点赞支持，一起学习~
参考资料:
Data Analysis and Prediction Algorithms with R

10日期型数据格式转换

我们描述了三种主要类型的向量：数字、字符和逻辑。在数据科学项目中，我们经常会遇到日期变量。虽然我们可以用字符串表示日期，例如2017年11月2日，但一旦我们选择了一个被称为“历元”的参考日，就可以通过计算自历元起的天数将其转换为数字。计算机语言通常以1970年1月1日为纪元。例如，2017年1月2日是1，1969年12月31日是-1，2017年11月2日是第17204天。
在R中分析数据时，我们应该如何表示日期和时间？我们接下来看一下具体案例。

10.1 日期数据类型

library(tidyverse)
library(dslabs)

polls_us_election_2016 %>% head()

A data.frame: 6 × 15

	state	startdate	enddate	pollster	grade	samplesize	population	rawpoll_clinton	rawpoll_trump	rawpoll_johnson	rawpoll_mcmullin	adjpoll_clinton	adjpoll_trump	adjpoll_johnson	adjpoll_mcmullin
1	U.S.	2016-11-03	2016-11-06	ABC News/Washington Post	A+	2220	lv	47.00	43.00	4.00	NA	45.20163	41.72430	4.626221	NA
2	U.S.	2016-11-01	2016-11-07	Google Consumer Surveys	B	26574	lv	38.03	35.69	5.46	NA	43.34557	41.21439	5.175792	NA
3	U.S.	2016-11-02	2016-11-06	Ipsos	A-	2195	lv	42.00	39.00	6.00	NA	42.02638	38.81620	6.844734	NA
4	U.S.	2016-11-04	2016-11-07	YouGov	B	3677	lv	45.00	41.00	5.00	NA	45.65676	40.92004	6.069454	NA
5	U.S.	2016-11-03	2016-11-06	Gravis Marketing	B-	16639	rv	47.00	43.00	3.00	NA	46.84089	42.33184	3.726098	NA
6	U.S.	2016-11-03	2016-11-06	Fox News/Anderson Robbins Research/Shaw & Company Research	A	1295	lv	48.00	44.00	3.00	NA	49.02208	43.95631	3.057876	NA

class(polls_us_election_2016$startdate)

‘Date’

看看当我们把它们转换成数字时会发生什么：

as.numeric(polls_us_election_2016$startdate) %>% head

1. 17108
2. 17106
3. 17107
4. 17109
5. 17108
6. 17108

因为自动的将上述日期转换成纪元方式定义

as.Date('1970-01-01') %>% as.numeric

0

绘图功能，例如ggplot中的功能，可以知道日期格式。这意味着，例如，散点图可以使用数字表示来确定点的位置，但在标签中包括字符串：

polls_us_election_2016 %>% filter(pollster == "Ipsos" & state =="U.S.") %>%
  ggplot(aes(startdate, rawpoll_trump)) +
  geom_line()

​

​

️10.2 lubridate包

tidyverse包括通过lubridate包处理日期的功能。

library(lubridate)

我们将随机抽取一个日期数据样本，演示一下如何使用lubridate包

set.seed(1)
dates <- sample(polls_us_election_2016$startdate, 10) %>% sort
dates

1. 2016-05-19
2. 2016-08-12
3. 2016-08-17
4. 2016-08-29
5. 2016-09-28
6. 2016-10-17
7. 2016-10-23
8. 2016-10-25
9. 2016-10-25
10. 2016-10-28

可以使用year,month,day分别从日期中截取年、月、日

tibble(date = dates,
       month = month(dates),
       day = day(dates),
       year = year(dates))

A tibble: 10 × 4

date	month	day	year
2016-05-19	5	19	2016
2016-08-12	8	12	2016
2016-08-17	8	17	2016
2016-08-29	8	29	2016
2016-09-28	9	28	2016
2016-10-17	10	17	2016
2016-10-23	10	23	2016
2016-10-25	10	25	2016
2016-10-25	10	25	2016
2016-10-28	10	28	2016

month(dates, label = TRUE)

1. 5月
2. 8月
3. 8月
4. 8月
5. 9月
6. 10月
7. 10月
8. 10月
9. 10月
10. 10月

Levels:

1. '1月'
2. '2月'
3. '3月'
4. '4月'
5. '5月'
6. '6月'
7. '7月'
8. '8月'
9. '9月'
10. '10月'
11. '11月'
12. '12月'

我们发现上述日期返回的都是中文的，这是因为我们安装的是中文版的R语言，我们可以使用下列代码将时间转换为英文的

Sys.setlocale("LC_TIME", "English")

‘English_United States.1252’

month(dates, label = TRUE)

1. May
2. Aug
3. Aug
4. Aug
5. Sep
6. Oct
7. Oct
8. Oct
9. Oct
10. Oct

Levels:

1. 'Jan'
2. 'Feb'
3. 'Mar'
4. 'Apr'
5. 'May'
6. 'Jun'
7. 'Jul'
8. 'Aug'
9. 'Sep'
10. 'Oct'
11. 'Nov'
12. 'Dec'

另外一个函数是将字符串转换为日期型，使用ymd()函数，假定日期的格式是YYYY-MM-DD的格式

x <- c(20090901,'2009-01-02','2009 01 03','2009-1-4','2009-1,5','created on 2009 1 6','2009 01 $$$ 07')

可以看出上面我定义的x字符串的内容并不是标准的日期，但是ymd函数可以自动尽量将上述转换成下面的格式，具体如下

ymd(x)

1. 2009-09-01
2. 2009-01-02
3. 2009-01-03
4. 2009-01-04
5. 2009-01-05
6. 2009-01-06
7. 2009-01-07

更复杂的是，日期通常以不同的格式出现。其中年、月和日的顺序不同。首选的格式是显示年份（全部四位数字）、月份（两位数字），然后是日期，这种格式称为ISO 8601。具体来说，我们使用YYYY-MM-DD，因此如果我们转换字符串，它将按上述方法排序返回。可以看到函数ymd以这种格式返回它们。

但是，如果你遇到“09/01/02”这样的日期怎么办这可能是2002年9月1日、2009年1月2日或2002年1月9日。在这些情况下，检查整个日期向量可以得到具体的日期结果。一旦我们知道了，我们可以使用不同的lubridate包的函数。

例如我们可以使用mdy函数，表示第一个是月份，第二个是日期，第三个是年份

x <- '09/01/02'
mdy(x)

2002-09-01

dmy(x)

2002-01-09

myd(x)

2001-09-02

dym(x)

2001-02-09

同样lubridate包还可以返回当前日期，并且设定相应的时区

now()

now("GMT")# 表示零时区

[1] "2022-04-23 22:14:18 CST"



[1] "2022-04-23 14:14:18 GMT"

使用OlsonNames()函数查找可以选择的时区

同样地，我们可以使用hour,minute,sencond分别返回小时、分钟、秒

now() %>% hour()
now() %>% minute()
now() %>% second()

22

27

31.5012230873108

和ymd()函数类似，在这里我们也有hms()函数，返回小时，分钟，秒

x <- c("12:34:56")
hms(x)

12H 34M 56S

注意，这里hms的顺序不能交换，我们还可以使用mdy和hms组合得到一个具体的日期型数据

x <- '12 2 2022 22:33:55'
mdy_hms(x)

[1] "2022-12-02 22:33:55 UTC"

最后再介绍两个十分有用的函数,make_date和round_date

make_date，可以返回一个日期型数据,例如我们想要生成2022年4月23日的日期数据

make_date(2022,4,23)

2022-04-23

我们还可以生成21世纪20年代的时间序列

make_date(2020:2029)

1. 2020-01-01
2. 2021-01-01
3. 2022-01-01
4. 2023-01-01
5. 2024-01-01
6. 2025-01-01
7. 2026-01-01
8. 2027-01-01
9. 2028-01-01
10. 2029-01-01

round_date 函数

从字面意义来看，round意味四舍五入，那么在日期型数据中，它会返回某一日期最近的年份，季度，月份，周等

polls_us_election_2016 %>% 
  mutate(week = round_date(startdate, "week")) %>%
  group_by(week) %>%
  summarize(margin = mean(rawpoll_clinton - rawpoll_trump)) %>%
  qplot(week, margin, data = .)

​

​

✨相关文章推荐

R语言数据分析从入门到高级：数据基础处理（mutate、filter、select等）

R语言数据分析从入门到高级：文件读取、导入和复制

R语言数据分析从入门到高级：数据清洗技巧之数据格式转换（包含宽数据与长数据之间的转换）

R语言数据分析从入门到高级：（九）数据清洗技巧之数据表连接