這次公司的 APP 有新產品，而新產品有某個功能用戶可以隨意調整功能要打開還是關閉，而後端系統會在某個月的特定時間去抓取用戶該功能是開啟還是關閉，
如果功能開啟 open_flag == 1
如果功能關閉 open_flag == 0
以下我建立假資料來模擬 data，模擬 10 個月的開關紀錄，這次是使用 R 語言來做處理
name <- c("Ann", "Teddy", "Frank", "Evie")
sample(name, replace = TRUE, size = 20)
rbinom(20, 1, 0.7)
df <- data.frame(name = rep(name, each = 10),
open_flag = rbinom(40, 1, 0.7),
date = rep(seq(as.Date('2020/01/01'), by = 'month', length.out = 10), times = 4, each = 1))
name open_flag date
1 Ann 0 2020-01-01
2 Ann 1 2020-02-01
3 Ann 1 2020-03-01
4 Ann 1 2020-04-01
5 Ann 1 2020-05-01
6 Ann 1 2020-06-01
7 Ann 1 2020-07-01
8 Ann 1 2020-08-01
9 Ann 0 2020-09-01
10 Ann 1 2020-10-01
11 Teddy 1 2020-01-01
12 Teddy 0 2020-02-01
13 Teddy 0 2020-03-01
14 Teddy 1 2020-04-01
15 Teddy 1 2020-05-01
16 Teddy 1 2020-06-01
17 Teddy 1 2020-07-01
18 Teddy 0 2020-08-01
19 Teddy 0 2020-09-01
20 Teddy 0 2020-10-01
21 Frank 0 2020-01-01
22 Frank 1 2020-02-01
23 Frank 1 2020-03-01
24 Frank 1 2020-04-01
25 Frank 0 2020-05-01
處理這個類型 table 的需求花了我一點時間，因此記錄一下做法，這個需求的命題為
統計每個客戶連續開啟該功能最久的時間，簡單來說找出最多有連續幾個 1，
假設客戶可能開開關關，資料樣態如下
(1, 0, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1)
則客戶連續開啟該功能最久的時間是 4 個時間段，做多有 4 個連續的 1
思考邏輯：也就是遇到 0 後 open_flag 要重新加總
一開始我想用 lag() 來解，但後來發現用 lag 只能找出開 -> 關 在哪一個 row，但沒有辦法加總，因此最重要的點還是在於如何 遇到 0 後可以重新加總，因此應該是要用 cunsum() 做為解法基礎，來計算連續的時間區段
步驟一
先依照客戶姓名將 data.frame 轉換成 list
df_ls <- split(df, f = df$name)
步驟二
利用 lapply() 將 ave() 函數做分組計算並 cumsum() 加總
df_ls <- lapply(df_ls, function(x) {
mutate(x, cum_pd = ave(open_flag, cumsum(open_flag == 0), FUN = cumsum))
})
$Ann
name open_flag date cum_pd
1 Ann 0 2020-01-01 0
2 Ann 1 2020-02-01 1
3 Ann 1 2020-03-01 2
4 Ann 1 2020-04-01 3
5 Ann 1 2020-05-01 4
6 Ann 1 2020-06-01 5
7 Ann 1 2020-07-01 6
8 Ann 1 2020-08-01 7
9 Ann 0 2020-09-01 0
10 Ann 1 2020-10-01 1
$Evie
name open_flag date cum_pd
1 Evie 0 2020-01-01 0
2 Evie 0 2020-02-01 0
3 Evie 1 2020-03-01 1
4 Evie 1 2020-04-01 2
5 Evie 1 2020-05-01 3
6 Evie 1 2020-06-01 4
7 Evie 0 2020-07-01 0
8 Evie 1 2020-08-01 1
9 Evie 1 2020-09-01 2
10 Evie 1 2020-10-01 3
$Frank
name open_flag date cum_pd
1 Frank 0 2020-01-01 0
2 Frank 1 2020-02-01 1
3 Frank 1 2020-03-01 2
4 Frank 1 2020-04-01 3
5 Frank 0 2020-05-01 0
6 Frank 1 2020-06-01 1
7 Frank 1 2020-07-01 2
8 Frank 1 2020-08-01 3
9 Frank 1 2020-09-01 4
10 Frank 1 2020-10-01 5
從上面結果就可以看的出來，遇到 0 也就是關閉功能後，連續的打開的時間段計數就會重新開始計算
步驟三
利用 do.call 合併回 data.frame 最後找出最大值
do.call(rbind, df_ls) %>%
group_by(name) %>%
summarize(max_flag = max(cum_pd))
name max_flag
<fct> <int>
1 Ann 7
2 Evie 4
3 Frank 5
4 Teddy 4
結果就會如上，可以找出用戶開啟該功能的最大時間段
而整個資料處理過程有幾個重要的 function 可以好好整理如下
ave() 函數
ave() 和 mean() 的差異再回傳的項量長度有差異，如果以 iris 的 data 舉例
test <- c(1:10)
> mean(test)
[1] 5.5
> ave(test)
[1] 5.5 5.5 5.5 5.5 5.5 5.5 5.5 5.5 5.5 5.5
而且我們從 ave() 的說明文件可發現，我們還可透過 ave() 分組，然後應用其他函數做分組計算
Usage
ave(x, ..., FUN = mean)
Arguments
x A numeric.
... Grouping variables, typically factors, all of the same length as x.
FUN Function to apply for each factor level combination.
這邊我們創建一個假資料，假如我要找出麵包店裡蛋糕占的營收比例
df2 <- data.frame(revenue = c(30, 20, 23 ,17),
product = c("bread", "cake", "bread", "cake"),
shop = gl(2, 2, labels=c("shop_1", "shop_2")))
> df2
revenue product shop
1 30 bread shop_1
2 20 cake shop_1
3 23 bread shop_2
4 17 cake shop_2
shop_revenue <- ave(df2$revenue, df2$shop, FUN = sum)
> shop_revenue
[1] 50 50 40 40
revenue_prop <- (df2$revenue / shop_revenue)
> revenue_prop
[1] 0.600 0.400 0.575 0.425
其實這就是分組後再做聚合運算，其實滿類似 SQL 中的 window function 的，故也可以透過以下方式來達到目的
df2 <- df2 %>%
group_by(shop) %>%
mutate(shop_revenue = sum(revenue)) %>%
ungroup() %>%
mutate(revenue_prop = revenue / shop_revenue)
> df2
# A tibble: 4 x 5
revenue product shop shop_revenue revenue_prop
<dbl> <fct> <fct> <dbl> <dbl>
1 30 bread shop_1 50 0.6
2 20 cake shop_1 50 0.4
3 23 bread shop_2 40 0.575
4 17 cake shop_2 40 0.425
ave and the function in R | R-bloggers
r - R中的ave（）函数和mean（）函数有什么区别？ - 堆栈内存溢出 (stackoom.com)
r - Cumulative sum that resets when 0 is encountered - Stack Overflow