《R for Data Science (2e)》免费中文翻译 (第17章) --- Dates and times（2）

写在前面

本系列推文为《R for Data Science (2)》的中文翻译版本。所有内容都通过开源免费的方式上传至Github，欢迎大家参与贡献，详细信息见：
Books-zh-cn 项目介绍：
Books-zh-cn：开源免费的中文书籍社区
r4ds-zh-cn Github 地址：
https://github.com/Books-zh-cn/r4ds-zh-cn
r4ds-zh-cn 网站地址：
https://books-zh-cn.github.io/r4ds-zh-cn/

17.3 日期-时间组件

现在你已经知道如何将 date-time 数据导入 R 的 date-time 数据结构，接下来让我们探索可以对它们进行哪些操作。本节将重点介绍用于获取和设置单个组件的访问器函数。下一节将探讨 date-times 的算术运算。

17.3.1 获取组件

你可以使用访问器函数 year(), month(), mday() (day of the month), yday() (day of the year), wday() (day of the week), hour(), minute(), 和 second() 来提取日期的各个组成部分。这些函数实际上是 make_datetime() 的反向操作。

复制代码

datetime <- ymd_hms("2026-07-08 12:34:56")

year(datetime)
#> [1] 2026
month(datetime)
#> [1] 7
mday(datetime)
#> [1] 8

yday(datetime)
#> [1] 189
wday(datetime)
#> [1] 4

对于 month() 和 wday() 函数，你可以设置 label = TRUE 来返回月份或星期几的缩写名称。设置 abbr = FALSE 可返回完整名称。

复制代码

month(datetime, label = TRUE)
#> [1] Jul
#> 12 Levels: Jan < Feb < Mar < Apr < May < Jun < Jul < Aug < Sep < ... < Dec
wday(datetime, label = TRUE, abbr = FALSE)
#> [1] Wednesday
#> 7 Levels: Sunday < Monday < Tuesday < Wednesday < Thursday < ... < Saturday

我们可以使用 wday() 来观察工作日出发的航班数量多于周末：

复制代码

flights_dt |> 
  mutate(wday = wday(dep_time, label = TRUE)) |> 
  ggplot(aes(x = wday)) +
  geom_bar()

我们还可以观察每小时之内分钟粒度的平均起飞延误情况。这里有一个有趣的规律：在 20-30 分钟和 50-60 分钟起飞的航班，其延误程度远低于该小时内其他时段的航班！

复制代码

flights_dt |> 
  mutate(minute = minute(dep_time)) |> 
  group_by(minute) |> 
  summarize(
    avg_delay = mean(dep_delay, na.rm = TRUE),
    n = n()
  ) |> 
  ggplot(aes(x = minute, y = avg_delay)) +
  geom_line()

有趣的是，如果我们查看计划起飞时间，并没有观察到如此明显的规律：

复制代码

sched_dep <- flights_dt |> 
  mutate(minute = minute(sched_dep_time)) |> 
  group_by(minute) |> 
  summarize(
    avg_delay = mean(arr_delay, na.rm = TRUE),
    n = n()
  )

ggplot(sched_dep, aes(x = minute, y = avg_delay)) +
  geom_line()

那么，为什么在实际起飞时间中会出现这种规律呢？事实上，如同许多由人工收集的数据一样，航班倾向于在"整点"时间起飞，如 Figure 17.1 所示，这导致了明显的偏差。在处理涉及人为判断的数据时，务必警惕这类规律的存在！

Figure 17.1: 显示每小时计划出发的航班数量的频数多边形。您可以看到人们对 0 和 30 之类的整数以及通常是 5 的倍数的数字有强烈的偏好。

Rounding

另一种绘制单个日期组成部分的方法是使用 floor_date()、round_date() 和 ceiling_date() 函数，将日期四舍五入到附近的时间单位。每个函数都接受一个待调整的日期向量，以及要向下取整（floor）、向上取整（ceiling）或四舍五入（round）的时间单位名称。例如，这使我们能够绘制每周的航班数量：

复制代码

flights_dt |> 
  count(week = floor_date(dep_time, "week")) |> 
  ggplot(aes(x = week, y = n)) +
  geom_line() + 
  geom_point()

通过计算 dep_time 与当天最早时刻之间的差值，你可以使用四舍五入来展示航班在一天内的分布情况：

复制代码

flights_dt |> 
  mutate(dep_hour = dep_time - floor_date(dep_time, "day")) |> 
  ggplot(aes(x = dep_hour)) +
  geom_freqpoly(binwidth = 60 * 30)
#> Don't know how to automatically pick scale for object of type <difftime>.
#> Defaulting to continuous.

计算两个日期时间之间的差值会得到一个 difftime 对象（更多内容见 Section 17.4.3 节）。我们可以将其转换为 hms 对象，以获得更有用的 x 轴：

复制代码

flights_dt |> 
  mutate(dep_hour = hms::as_hms(dep_time - floor_date(dep_time, "day"))) |> 
  ggplot(aes(x = dep_hour)) +
  geom_freqpoly(binwidth = 60 * 30)

17.3.3 修改组件

你也可以使用每个访问器函数来修改 date/time 的组成部分。这在数据分析中不常用，但在清理日期明显错误的数据时可能很有用。

复制代码

(datetime <- ymd_hms("2026-07-08 12:34:56"))

year(datetime) <- 2030
datetime
#> [1] "2030-07-08 12:34:56 UTC"
month(datetime) <- 01
datetime
#> [1] "2030-01-08 12:34:56 UTC"
hour(datetime) <- hour(datetime) + 1
datetime
#> [1] "2030-01-08 13:34:56 UTC"

或者，你无需修改现有变量，而是可以使用 update() 创建一个新的 date-time。这还允许你一步设置多个值：

复制代码

update(datetime, year = 2030, month = 2, mday = 2, hour = 2)
#> [1] "2030-02-02 02:34:56 UTC"

如果设置的值过大，它们会自动向前进位：

复制代码

update(ymd("2023-02-01"), mday = 30)
#> [1] "2023-03-02"
update(ymd("2023-02-01"), hour = 400)
#> [1] "2023-02-17 16:00:00 UTC"

17.3.4 练习

一天内航班时间的分布如何随一年中的时间变化？
比较 dep_time, sched_dep_time 和 dep_delay。它们是否一致？请解释你的发现。
比较 air_time 与起飞和到达之间的时间间隔。解释你的发现。（提示：考虑机场的位置。）
一天中平均延误时间如何变化？应该使用 dep_time 还是 sched_dep_time？为什么？
如果希望最小化延误的可能性，你应该在一周中的哪一天出发？
diamonds$carat 和 flights$sched_dep_time 的分布有何相似之处？
验证我们的假设：20-30 分钟和 50-60 分钟起飞的航班较早出发是由于计划航班提前起飞所致。提示：创建一个二元变量来指示航班是否延误。

17.4 时间跨度

接下来，你将学习日期算术运算的原理，包括减法、加法和除法。在此过程中，你会了解到三种表示时间跨度的重要类别：

Durations, 表示精确的秒数。
Periods, 表示人类可理解的单位，如周 (weeks) 和月 (months)。
Intervals, 表示一个起始点和结束点。

如何在 duration、periods 和 intervals 之间做出选择？一如既往，选择能解决你问题的最简单数据结构。如果你只关心物理时间，使用 duration；如果需要添加人类可理解的时间，使用 period；如果需要计算某个跨度在人类单位中的长度，使用 interval。

17.4.1 Durations

在 R 中，当你对两个日期进行相减时，会得到一个 difftime 对象：

复制代码

# How old is Hadley?
h_age <- today() - ymd("1979-10-14")
h_age
#> Time difference of 16872 days

difftime 类对象以秒、分钟、小时、天或周为单位记录时间跨度。这种模糊性可能使得 difftimes 对象处理起来有些棘手，因此 lubridate 提供了另一种始终以秒为单位的时间跨度表示方式：duration。

复制代码

as.duration(h_age)
#> [1] "1457740800s (~46.19 years)"

Durations 附带了一系列便捷的构造函数：

复制代码

dseconds(15)
#> [1] "15s"
dminutes(10)
#> [1] "600s (~10 minutes)"
dhours(c(12, 24))
#> [1] "43200s (~12 hours)" "86400s (~1 days)"
ddays(0:5)
#> [1] "0s"                "86400s (~1 days)"  "172800s (~2 days)"
#> [4] "259200s (~3 days)" "345600s (~4 days)" "432000s (~5 days)"
dweeks(3)
#> [1] "1814400s (~3 weeks)"
dyears(1)
#> [1] "31557600s (~1 years)"

Durations 始终以秒为单位记录时间跨度。更大的单位通过将分钟、小时、天、周和年转换为秒来创建：一分钟 60 秒，一小时 60 分钟，一天 24 小时，一周 7 天。更大的时间单位则更具问题性。一年使用"平均"年天数，即 365.25 天。由于月份的变化太大，无法将其转换为 duration。

你可以对 durations 进行加减和乘法运算：

复制代码

2 * dyears(1)
#> [1] "63115200s (~2 years)"
dyears(1) + dweeks(12) + dhours(15)
#> [1] "38869200s (~1.23 years)"

你可以对日期进行 durations 的加减运算：

复制代码

tomorrow <- today() + ddays(1)
last_year <- today() - dyears(1)

然而，由于 durations 表示的是精确的秒数，有时你可能会得到意想不到的结果：

复制代码

one_am <- ymd_hms("2026-03-08 01:00:00", tz = "America/New_York")

one_am
#> [1] "2026-03-08 01:00:00 EST"
one_am + ddays(1)
#> [1] "2026-03-09 02:00:00 EDT"

为什么 3 月 8 日凌晨 1 点加上一天后是 3 月 9 日凌晨 2 点？如果仔细观察日期，你可能还会注意到时区发生了变化。 3 月 8 日只有 23 小时，因为这是夏令时开始的时间，所以如果我们加上一整天的秒数，最终会得到一个不同的时间。

17.4.2 Periods

为了解决这个问题，lubridate 提供了 periods。 Periods 表示时间跨度，但其长度不以固定的秒数为单位，而是以"人类"时间（如 days 和 months）为单位。这使得它们能以更直观的方式工作：

复制代码

one_am
#> [1] "2026-03-08 01:00:00 EST"
one_am + days(1)
#> [1] "2026-03-09 01:00:00 EDT"

与 durations 类似，periods 也可以通过一系列便捷的构造函数来创建。

复制代码

hours(c(12, 24))
#> [1] "12H 0M 0S" "24H 0M 0S"
days(7)
#> [1] "7d 0H 0M 0S"
months(1:6)
#> [1] "1m 0d 0H 0M 0S" "2m 0d 0H 0M 0S" "3m 0d 0H 0M 0S" "4m 0d 0H 0M 0S"
#> [5] "5m 0d 0H 0M 0S" "6m 0d 0H 0M 0S"

你可以对 periods 进行加法和乘法运算：

复制代码

10 * (months(6) + days(1))
#> [1] "60m 10d 0H 0M 0S"
days(50) + hours(25) + minutes(2)
#> [1] "50d 25H 2M 0S"

当然，也可以将它们与 dates 相加。与 durations 相比，periods 更可能符合你的预期：

复制代码

# A leap year
ymd("2024-01-01") + dyears(1)
#> [1] "2024-12-31 06:00:00 UTC"
ymd("2024-01-01") + years(1)
#> [1] "2025-01-01"

# Daylight saving time
one_am + ddays(1)
#> [1] "2026-03-09 02:00:00 EDT"
one_am + days(1)
#> [1] "2026-03-09 01:00:00 EDT"

让我们使用 periods 来解决与航班日期相关的一个异常情况。一些飞机似乎在其从纽约市起飞之前就已到达目的地。

复制代码

flights_dt |> 
  filter(arr_time < dep_time) 
#> # A tibble: 10,633 × 9
#>   origin dest  dep_delay arr_delay dep_time            sched_dep_time     
#>   <chr>  <chr>     <dbl>     <dbl> <dttm>              <dttm>             
#> 1 EWR    BQN           9        -4 2013-01-01 19:29:00 2013-01-01 19:20:00
#> 2 JFK    DFW          59        NA 2013-01-01 19:39:00 2013-01-01 18:40:00
#> 3 EWR    TPA          -2         9 2013-01-01 20:58:00 2013-01-01 21:00:00
#> 4 EWR    SJU          -6       -12 2013-01-01 21:02:00 2013-01-01 21:08:00
#> 5 EWR    SFO          11       -14 2013-01-01 21:08:00 2013-01-01 20:57:00
#> 6 LGA    FLL         -10        -2 2013-01-01 21:20:00 2013-01-01 21:30:00
#> # ℹ 10,627 more rows
#> # ℹ 3 more variables: arr_time <dttm>, sched_arr_time <dttm>, ...

这些是过夜航班。我们在起飞和到达时间中使用了相同的日期信息，但这些航班实际上是在第二天抵达的。我们可以通过为每个过夜航班的到达时间加上 days(1) 来修正这个问题。

复制代码

flights_dt <- flights_dt |> 
  mutate(
    overnight = arr_time < dep_time,
    arr_time = arr_time + days(overnight),
    sched_arr_time = sched_arr_time + days(overnight)
  )

现在，所有航班都符合物理定律了。

复制代码

flights_dt |> 
  filter(arr_time < dep_time) 
#> # A tibble: 0 × 10
#> # ℹ 10 variables: origin <chr>, dest <chr>, dep_delay <dbl>,
#> #   arr_delay <dbl>, dep_time <dttm>, sched_dep_time <dttm>, ...

17.4.3 Intervals

dyears(1) / ddays(365) 会返回什么结果？它并不完全等于 1，因为 dyears() 被定义为每个平均年份的秒数，即 365.25 天。

那么 years(1) / days(1) 会返回什么？如果年份是 2015，它应该返回 365；但如果是 2016，它应该返回 366！ lubridate 没有足够的信息来给出一个唯一明确的答案。它实际做的是给出一个估算值：

复制代码

years(1) / days(1)
#> [1] 365.25

如果你想要更精确的测量，就必须使用 interval。 interval 是一对起始和结束的日期时间，或者你可以将其视为带有起始点的时长。

你可以通过 start %--% end 的语法创建一个区间：

复制代码

y2023 <- ymd("2023-01-01") %--% ymd("2024-01-01")
y2024 <- ymd("2024-01-01") %--% ymd("2025-01-01")

y2023
#> [1] 2023-01-01 UTC--2024-01-01 UTC
y2024
#> [1] 2024-01-01 UTC--2025-01-01 UTC

然后你可以将其除以 days() 来找出该年份包含多少天：

复制代码

y2023 / days(1)
#> [1] 365
y2024 / days(1)
#> [1] 366

17.4.4 练习

向刚学习 R 的人解释 days(!overnight) 和 days(overnight)。你需要了解的关键事实是什么？
创建一个日期向量，表示 2015 年每个月的第一天。再创建一个日期向量，表示当前年份每个月的第一天。
编写一个函数，根据你的生日（作为日期输入），返回你的年龄（以年为单位）。
为什么 (today() %--% (today() + years(1))) / months(1) 无法运行？

17.5 时区

时区是一个极其复杂的主题，因为它们与地缘政治实体相互作用。幸运的是，我们不需要深入探究所有细节，因为并非所有细节对数据分析都至关重要，但有一些挑战我们确实需要直面应对。

第一个挑战是日常使用的时区名称往往具有歧义性。例如，如果你是美国人，可能很熟悉 EST（东部标准时间）。然而，澳大利亚和加拿大也都有 EST！为了避免混淆，R 采用国际标准的 IANA 时区。这些时区使用一致的命名规则 {area}/{location}，通常形式为 {continent}/{city} 或 {ocean}/{city}。例如："America/New_York"、"Europe/Paris" 和 "Pacific/Auckland"。

你可能会好奇，为什么时区使用城市名称，而通常我们认为时区与国家或国家内的区域相关联。这是因为 IANA 数据库必须记录数十年的时区规则。在几十年间，国家名称变更（或分裂）相当频繁，但城市名称往往保持不变。另一个问题是，名称不仅需要反映当前行为，还需体现完整的历史。例如，同时存在 "America/New_York" 和 "America/Detroit" 两个时区。这两个城市目前都使用东部标准时间，但在 1969-1972 年间，密歇根州（底特律所在州）未遵循夏令时，因此需要一个不同的名称。值得一读原始时区数据库（可在 https://www.iana.org/time-zones 获取），仅是为了了解其中的一些历史故事！

你可以通过 Sys.timezone() 查看 R 认为你当前的时区是什么：

复制代码

Sys.timezone()
#> [1] "UTC"

（如果 R 无法识别，则会返回 NA。）

可以通过 OlsonNames() 查看完整的时区名称列表：

复制代码

length(OlsonNames())
#> [1] 598
head(OlsonNames())
#> [1] "Africa/Abidjan"     "Africa/Accra"       "Africa/Addis_Ababa"
#> [4] "Africa/Algiers"     "Africa/Asmara"      "Africa/Asmera"

在 R 中，时区是 date-time 的一个属性，仅控制显示方式。例如，以下三个对象表示同一时刻：

复制代码

x1 <- ymd_hms("2024-06-01 12:00:00", tz = "America/New_York")
x1
#> [1] "2024-06-01 12:00:00 EDT"

x2 <- ymd_hms("2024-06-01 18:00:00", tz = "Europe/Copenhagen")
x2
#> [1] "2024-06-01 18:00:00 CEST"

x3 <- ymd_hms("2024-06-02 04:00:00", tz = "Pacific/Auckland")
x3
#> [1] "2024-06-02 04:00:00 NZST"

你可以通过减法运算验证它们是同一时间：

复制代码

x1 - x2
#> Time difference of 0 secs
x1 - x3
#> Time difference of 0 secs

除非另有说明，lubridate 始终使用 UTC。 UTC（协调世界时）是科学界使用的标准时区，大致等同于 GMT（格林威治标准时间）。它不采用夏令时，因此便于计算。组合 date-times 的操作（如 c()）通常会丢弃时区信息。这种情况下，date-times 将按第一个元素的时区显示：

复制代码

x4 <- c(x1, x2, x3)
x4
#> [1] "2024-06-01 12:00:00 EDT" "2024-06-01 12:00:00 EDT"
#> [3] "2024-06-01 12:00:00 EDT"

你可以通过两种方式更改时区：

保持时间点不变，仅改变其显示方式。当时间点正确但希望以更自然的方式显示时使用此方法。
复制代码
```
x4a <- with_tz(x4, tzone = "Australia/Lord_Howe")
x4a
#> [1] "2024-06-02 02:30:00 +1030" "2024-06-02 02:30:00 +1030"
#> [3] "2024-06-02 02:30:00 +1030"
x4a - x4
#> Time differences in secs
#> [1] 0 0 0
```
（这也说明了时区的另一个挑战：它们并非都是整小时的偏移量！）

改变底层的时间点。当时间点被标记了错误的时区且需要修正时使用此方法。

复制代码

x4b <- force_tz(x4, tzone = "Australia/Lord_Howe")
x4b
#> [1] "2024-06-01 12:00:00 +1030" "2024-06-01 12:00:00 +1030"
#> [3] "2024-06-01 12:00:00 +1030"
x4b - x4
#> Time differences in hours
#> [1] -14.5 -14.5 -14.5

17.6 总结

本章向你介绍了 lubridate 提供的工具，帮助你处理日期时间数据。处理日期和时间看似比实际需要的更复杂，但希望本章能让你理解其原因------日期时间比乍看之下更为复杂，而处理各种可能的情况增加了其复杂性。即使你的数据从未涉及夏令时变更或闰年，相关函数也必须能够应对这些情况。

下一章将系统总结缺失值的处理方法。你已经在多个场景中遇到过缺失值，在自己的分析中也无疑会碰到它们。现在，是时候提供一个实用技巧合集来应对这些情况了。

--------------- 本章结束 ---------------

本期翻译贡献：

@TigerZ生信宝库

《R for Data Science (2e)》免费中文翻译 (第17章) --- Dates and times（2）

目录

17.3 日期-时间组件

17.3.1 获取组件

Rounding

17.3.3 修改组件

17.3.4 练习

17.4 时间跨度

17.4.1 Durations

17.4.2 Periods

17.4.3 Intervals

17.4.4 练习

17.5 时区

17.6 总结