Даты и время являются весьма непростыми объектами:
- месяца содержат различное число дней;
- года бывают високосными и нет;
- существуют различные временне зоны;
- часы, минуты, дни используют различные системы счисления.
Далее приведены ряд моментов, которые редко высвечиваются в документации, а также трюки, которые позволяют писать быстрый и контролируемый код.
Совсем краткое резюме для смартфоночиталей: на больших объемах
данных используем только POSIXct
с дробными долями
секунд. Будет хорошо, понятно, быстро.
Является продолжением серии предыдущих публикаций.
Стандарты для специфицирования дат и времени
ISO 8601 Data elements and interchange formats Information interchange Representation of dates and times is an international standard covering the exchange of date- and time-related data.
Базовые методы для работы с датой
Дата
Sys.Date()print("-----")x <- as.Date("2019-01-29") # в UTCprint(x)tz(x)str(x)dput(x)print("-----")dput(as.Date("1970-01-01")) # ! origin
## [1] "2021-04-29"## [1] "-----"## [1] "2019-01-29"## [1] "UTC"## Date[1:1], format: "2019-01-29"## structure(17925, class = "Date")## [1] "-----"## structure(0, class = "Date")
Нестандартный формат даты при инициализации должен специфицироваться специально
as.Date("04/20/2011", format = "%m/%d/%Y")
## [1] "2011-04-20"
Время
В R применяются два базовых типа времени: POSIXct
и
POSIXlt
.
Внешние представления POSIXct
и POSIXlt
выглядят похожими. А внутренние?
z <- Sys.time()glue("Внешнее представление", "POSIXct - {z}", "POSIXlt - {as.POSIXlt(z)}", "---", .sep = "\n")glue("Внутреннее представление", "POSIXct - {capture.output(dput(z))}", "POSIXlt - {paste0(capture.output(dput(as.POSIXlt(z))), collapse = '')}", "---", .sep = "\n")# Получение отдельных элементов даты/времени базовыми средствамиglue("Год: {year(z)} \nМинуты: {minute(z)}\nСекунды: {second(z)}\n---")
## Внешнее представление## POSIXct - 2021-04-29 15:18:04## POSIXlt - 2021-04-29 15:18:04## ---## Внутреннее представление## POSIXct - structure(1619698684.50764, class = c("POSIXct", "POSIXt"))## POSIXlt - structure(list(sec = 4.50764489173889, min = 18L, hour = 15L, mday = 29L, mon = 3L, year = 121L, wday = 4L, yday = 118L, isdst = 0L, zone = "MSK", gmtoff = 10800L), class = c("POSIXlt", "POSIXt"), tzone = c("", "MSK", "MSD"))## ---## Год: 2021 ## Минуты: 18## Секунды: 4## ---
Сразу делаем заключение, что для серьезной работы с данными
(более 10 строк с временем), про POSIXlt
забываем как
про страшный сон.
POSIXct
по своей сути является оберткой для
unixtimestamp, количество секунд (миллисекунд) с некоей нулевой
точки (обычно за 0 полагают 01.01.1970). Делаем ставку в работе
именно на него.
Полезный инструмент online преобразование времени в unixtimestamp:
- Epoch Unix Time Stamp Converter
- Epoch & Unix Timestamp Conversion Tools
- currentDate / Time in Millisecondsmillis
Sys.time()z <- 1548802400as.POSIXct(z, origin = "1970-01-01") # localas.POSIXct(z, origin = "1970-01-01", tz = "UTC") # in UTC
## [1] "2021-04-29 15:18:04 MSK"## [1] "2019-01-30 01:53:20 MSK"## [1] "2019-01-29 22:53:20 UTC"
Работа с долями секунды
Корни вопроса идут от типовой задачи анализу логов. Для быстрых событий недостаточно секундного разрешения и тут появляются вариации. Время в логе может фиксироваться:
- по рекомендациям ISO, с долями секунд в виде дробной части (ISO 8601-2019);
- с какими-нибудь другими разделителями;
- как отдельное поле.
Объекты класса POSIXct
могут хранить и проводить
вычисления с дробными секундами, но по умолчанию при выводе на
печать дробные части округляются из-за чего могут возникнуть
надуманные ограничения. Проверяем и смотрим:
x <- ymd_hms("2014-09-24 15:23:10")xx + 0.5x + 0.5 + 0.6options(digits.secs=5)x + 0.45756options(digits.secs=0)x
## [1] "2014-09-24 15:23:10 UTC"## [1] "2014-09-24 15:23:10 UTC"## [1] "2014-09-24 15:23:11 UTC"## [1] "2014-09-24 15:23:10.45756 UTC"## [1] "2014-09-24 15:23:10 UTC"
Вернемся к логам, сформируем тестовый набор данных и посмотрим на различные варианты работы со временем.
options(digits.secs=5)# generate datadf <- data.frame( timestamp = as_datetime( round(runif(20, min = now() - seconds(10), max = now()), 0), tz ="Europe/Moscow")) %>% mutate(ms = round(runif(n(), 0, 999), 0)) %>% mutate(value = round(runif(n(), 0, 100), 0))dput(df)# сортируем "в лоб"df %>% arrange(timestamp, ms)options(digits.secs=0)
## structure(list(timestamp = structure(c(1619698677, 1619698680, ## 1619698676, 1619698682, 1619698675, 1619698682, 1619698679, 1619698679, ## 1619698684, 1619698683, 1619698684, 1619698677, 1619698682, 1619698683, ## 1619698675, 1619698676, 1619698685, 1619698681, 1619698683, 1619698681## ), class = c("POSIXct", "POSIXt"), tzone = "Europe/Moscow"), ## ms = c(418, 689, 729, 108, 226, 843, 12, 370, 5, 581, 587, ## 691, 102, 79, 640, 284, 241, 85, 329, 936), value = c(63, ## 44, 63, 45, 29, 34, 80, 85, 42, 76, 94, 89, 34, 80, 1, 66, ## 29, 81, 15, 98)), class = "data.frame", row.names = c(NA, ## -20L))
# "умное" преобразование# [magrittr aliases](http://personeltest.ru/aways/magrittr.tidyverse.org/reference/aliases.html)df2 <- df %>% mutate(timestamp = timestamp + ms/1000) %>% # mutate_at("timestamp", ~`+`(. + ms/1000)) %>% select(-ms)df2 %>% arrange(timestamp)
# сравним подходыdt <- as.data.table(df2)bench::mark( naive = dplyr::arrange(df, timestamp, ms), smart = dplyr::arrange(df2, timestamp), dt = dt[order(timestamp)], check = FALSE, relative = TRUE, min_iterations = 1000)
## # A tibble: 3 x 6## expression min median `itr/sec` mem_alloc `gc/sec`## <bch:expr> <dbl> <dbl> <dbl> <dbl> <dbl>## 1 naive 11.9 11.8 1 1.06 1 ## 2 smart 11.1 11.0 1.06 1 1.06## 3 dt 1 1 11.6 494. 1.22
Парсинг данных с миллисекундами.
data <- c("05102019210003657", "05102019210003757", "05102019210003857")dmy_hms(stri_c(stri_sub(data, to = 14L), ".", stri_sub(data, from = 15L)), tz = "Europe/Moscow")# Измерение скорости различных вариантовdata2 <- data %>% sample(10^6, replace = TRUE)bench::mark( stri_sub = stri_c(stri_sub(data2, to = 14L), ".", stri_sub(data2, from = 15L)), stri_replace = stri_replace_first_regex(data2, pattern = "(^.{14})(.*)", replacement = "$1.$2"), re2_replace = re2_replace(data2, pattern = "(^.{14})(.*)", replacement = "\\1.\\2", parallel = TRUE))
## [1] "2019-10-05 21:00:03 MSK" "2019-10-05 21:00:03 MSK"## [3] "2019-10-05 21:00:03 MSK"## # A tibble: 3 x 6## expression min median `itr/sec` mem_alloc `gc/sec`## <bch:expr> <bch:tm> <bch:tm> <dbl> <bch:byt> <dbl>## 1 stri_sub 214ms 222ms 4.10 22.89MB 5.47## 2 stri_replace 653ms 653ms 1.53 7.63MB 0 ## 3 re2_replace 409ms 413ms 2.42 15.29MB 1.21
Пакет lubridate
x <- ymd(20101215)print(x)class(x)
## [1] "2010-12-15"## [1] "Date"
Магия lubridate
ymd(20101215) == mdy("12/15/10")
## [1] TRUE
df <- tibble(first = c("Иван", "Петр", "Алексей"), last = c("Иванов", "Петров", "Сидоров"), birthday_str = c("31-10-06", "2/4/2007", "1 June, 2005")) %>% mutate(birthday = dmy(birthday_str))df
А что делать, если время может поступать в частично обрезанном формате?
# управляем отображением форматов парсинга в lubridateoptions(lubridate.verbose = TRUE)# базовый формат даты: д.м.гdf <- tibble(time_str = c("08.05.19 12:04:56", "09.05.19 12:05", "12.05.19 23"))lubridate::dmy_hms(df$time_str, tz = "Europe/Moscow")print("---------------------")lubridate::dmy(df$time_str, tz = "Europe/Moscow")
## [1] "2019-05-08 12:04:56 MSK" NA ## [3] NA ## [1] "---------------------"## [1] NA NA NA
Разрешим вариативность определенной глубины
# управляем отображением форматов парсинга в lubridateoptions(lubridate.verbose = TRUE)lubridate::dmy_hms(df$time_str, truncated = 3, tz = "Europe/Moscow")
## [1] "2019-05-08 12:04:56 MSK" "2019-05-09 12:05:00 MSK"## [3] "2019-05-12 23:00:00 MSK"
# управляем отображением форматов парсинга в lubridateoptions(lubridate.verbose = TRUE)# базовый формат даты: д.м.гdf <- tibble(date_str = c("08.05.19", "9/5/2019", "2019-05-07"))
Пробуем провести конвертацию
# пробуем первый вариантglimpse(dmy(df$date_str))print("---------------------")# пробуем второй вариантglimpse(ymd(df$date_str))print("---------------------")
## Date[1:3], format: "2019-05-08" "2019-05-09" NA## [1] "---------------------"## Date[1:3], format: "2008-05-19" NA "2019-05-07"## [1] "---------------------"
Что делать? Вариант, конечно, ужасен, но что-то можно поделать.
df %>% mutate(date = dplyr::coalesce(dmy(date_str), ymd(date_str)))
df1 <- dfdf1$date <- dmy(df1$date_str)idx <- is.na(df1$date)print("---------------------")idxdf1$date[idx] <- ymd(df1$date_str[idx])print("---------------------")df1
## [1] "---------------------"## [1] FALSE FALSE TRUE## [1] "---------------------"
Еще пакеты
Еще пакеты на "посмотреть" и поизучать:
Арифметические операции с POSIXct
Разность
options(lubridate.verbose = FALSE)date1 <- ymd_hms("2011-09-23-03-45-23")date2 <- ymd_hms("2011-10-03-21-02-19")# какова разница между этими датами?as.numeric(date2) - as.numeric(date1) # как мы помним, разница в секундах(date2 - date1) %>% dput()difftime(date2, date1)difftime(date2, date1, unit="mins")difftime(date2, date1, unit="secs")
## [1] 926216## structure(10.7200925925926, class = "difftime", units = "days")## Time difference of 10.72009 days## Time difference of 15436.93 mins## Time difference of 926216 secs
Периоды
date1 <- ymd_hms("2019-01-30 00:00:00")date1date1 - days(1)date1 + days(1)date1 + days(2)
## [1] "2019-01-30 UTC"## [1] "2019-01-29 UTC"## [1] "2019-01-31 UTC"## [1] "2019-02-01 UTC"
А теперь более сложный пример добавляем месяцы
date1 - months(1)date1 + months(1) # УПС!!!
## [1] "2018-12-30 UTC"## [1] NA
Есть выход. Но операции не коммутативны, это надо помнить.
date1 %m-% months(1)date1 %m+% months(1)date1 %m+% months(1) %m-% months(1)
## [1] "2018-12-30 UTC"## [1] "2019-02-28 UTC"## [1] "2019-01-28 UTC"
Нюансы временных зон
date1 <- ymd_hms("2019-01-30 01:00:00")date1 %T>% print() %>% dput()with_tz(date1, tzone = "Europe/Moscow") %T>% print() %>% dput()force_tz(date1, tzone = "Europe/Moscow") %T>% print() %>% dput()
## [1] "2019-01-30 01:00:00 UTC"## structure(1548810000, class = c("POSIXct", "POSIXt"), tzone = "UTC")## [1] "2019-01-30 04:00:00 MSK"## structure(1548810000, class = c("POSIXct", "POSIXt"), tzone = "Europe/Moscow")## [1] "2019-01-30 01:00:00 MSK"## structure(1548799200, class = c("POSIXct", "POSIXt"), tzone = "Europe/Moscow")
Работа только с временми значениями
Что делать, если у нас есть только время, а даты не указаны? Не
проблема, нам поможет пакет hms
. Такие данные
представляются как периоды.
hms_str <- "03:22:14"as_hms(hms_str)dput(as_hms(hms_str))print("-------")x <- as_hms(hms_str) * 15xstr(x)# seconds_to_period(period_to_seconds(x))seconds_to_period(x) %T>% dput() %>% print()
## 03:22:14## structure(12134, units = "secs", class = c("hms", "difftime"))## [1] "-------"## Time difference of 182010 secs## 'difftime' num 182010## - attr(*, "units")= chr "secs"## new("Period", .Data = 30, year = 0, month = 0, day = 2, hour = 2, ## minute = 33)## [1] "2d 2H 33M 30S"
БД и временне данные
Одна из больших засад при работе с временнми данными в БД
неизвестность или неполная осведомленность о механике и логике
работы конкретных таблиц. Не всегда есть возможность посмотреть
запросы по которым они строились или же текст функций.
В современных БД (далее будем подразумевать Clickhouse) время, как
правило, хранится как unixtimestamp в UTC. Ну или возможны иные
варианты, но все они крутятся вокруг количества единиц времени
относительно некоей реперной точки.
Потенциальные сложности и засады:
- При запросе у БД колонки времени под ее капотом может происходить масса метаморфоз. БД сериализует timestamp, при этом могут оказать свое влияние параметры временных зон из БД, ОС, поля, смежного поля, переменных окружения.
- При получении данных на клиентской стороне вмешивается драйвер (серия драйверов и врапперов). При развертывании времени замешивается логика драйверов, параметры локали ОС, языковые и временные параметры среды, значение переменных окружения и отражение лунного света в болоте.
- В поле unixtimestamp разработчики могут помещать отнюдь не UTC время, а московское. Или иное (сюрприз!).
- В БД может быть агрегация и партиционирование по дате,
вычисляемой на основании поля timestamp. В силу расхождения в
трактовке временных зон, данные за день
Х
вполне могут уехать в партицииX-1
илиX+1
, что необходимо учитывать при построении быстрого запроса к БД.
В общем, вероятность получить предсказуемый результат в любой произвольной среде исполнения близок к 0.
Чтобы избежать этого и параллельно получить еще массу
преимуществ достаточно перейти на ручное управление.
Суть заключается в переводе дат в числовой формат на стороне базы и
обратное преобразование во время (там, где надо) на стороне
клиента. Такое решение не сильно обременительно, зато дает дает
массу преимуществ:
- полный контроль реальных временнх меток на всех этапах, включая выявлении косяков разработчиков и специфики настройки БД;
- возможность сверки реально получаемы показателей с ожидаемыми;
- прецизионное управление временными зонами для корректной трактовки;
- корректное преобразование времени в даты (с учетом таймзон);
- схождение суточных агрегатов;
- возможность интеграции дробных долей секунд в единый
double
; - сокращение временнх затрат на сериализацию и передачу по сети;
- общее увеличение производительности.
Трюк по экономии памяти и времени исполнения без потери информации
-- диалект ClickHouseSELECT DISTINCT store, pos, timestamp, ms, concat(toString(store), '-', toString(pos)) AS pos_uid, toFloat64(timestamp) + (ms / 1000) AS timestamp
flog.info(paste("SQL query:", sql_req))tic("Загрузка из CH")raw_df <- dbGetQuery(conn, stri_encode(sql_req, to = "UTF-8")) %>% mutate_if(is.character, `Encoding<-`, "UTF-8") %>% as_tibble() %>% mutate_at(vars(timestamp), anytime::anytime, tz = "Europe/Moscow") %>% mutate_at("event", as.factor)flog.info(capture.output(toc()))DBI::dbDisconnect(conn)
Хелпер для детального анализа занимаемой data.frame
памятью
# сводка по объемам данныхdf -> as_tibble(_df) %>% map(pryr::object_size) %>% unlist() %>% enframe() %>% arrange(desc(value)) %>% mutate_at("value", fs::as_fs_bytes) %>% mutate(ratio = formattable::percent(value / sum(value), 2)) %>% add_row(name = "TOTAL", value = sum(.$value))
Повторно полезные ссылки по форматам и калькуляторам, необходимым при анализе путей следования дат в ИС и БД
- Epoch & Unix Timestamp Conversion Tools
- currentdate/time in millisecondsmillis
- Functions for working with dates and times
Форматирование дат
При отображении графиков, подготовке текстов, группировке временных интервалов, преобразовании текста даты и подобное часто требуетя выдать или распознать дату в хитром виде. Ниже ряд подходов и функций.
Привязка к рабочим неделям
df <- seq.Date(from = as.Date("2021-01-01"), to = as.Date("2021-05-31"), by = "2 days") %>% # sample(20, replace = FALSE) %>% tibble(date = .)
# формируем композитное представление год/месяц/номер недели# способ 1df %>% mutate(month_num = stri_c(lubridate::year(date), sprintf("%02d", lubridate::month(date)), sep = "/"), week_num = stri_c(lubridate::isoyear(date), sprintf("%02d", lubridate::isoweek(date)), sep = "/") )
# формируем композитное представление год/месяц/номер недели# способ 2, заодно добавим день недели# особое внимание обращаем, что текстовые поля генерятся согласно текущей локали!!!df %>% mutate(month_num = format(date, "%Y/%m (%a) ISO week %V"))
# формируем композитное представление год/месяц/номер недели# способ 3, заодно добавим день недели# хелпер по преобразованию формата strptime (ISO 8601) в ICU# https://man7.org/linux/man-pages/man3/strptime.3.htmlstri_datetime_fstr("%Y/%m (%a) week %V")# ggthemes::tableau_color_pal("Tableau 20")(20) %>% scales::show_col()# особое внимание обращаем, что мы можем управлять локалью самостоятельно!!!df %>% mutate( month_num_ru = stri_datetime_format( date, "yyyy'/'MM' ('ccc') week 'ww", locale = "ru", tz = "UTC"), month_num_en = stri_datetime_format( date, "yyyy'/'MM' ('ccc') week 'ww", locale = "en", tz = "UTC"))
Дни недели
Пишем дни недели в различных локалях. Не зависит от платформы исполнения.
stri_datetime_format(today(), "LLLL", locale="ru@calendar=Persian")stri_datetime_format(today(), "LLLL", locale="ru@calendar=Indian")stri_datetime_format(today(), "LLLL", locale="ru@calendar=Hebrew")stri_datetime_format(today(), "LLLL", locale="ru@calendar=Islamic")stri_datetime_format(today(), "LLLL", locale="ru@calendar=Coptic")stri_datetime_format(today(), "LLLL", locale="ru@calendar=Ethiopic")stri_datetime_format(today(), "dd MMMM yyyy", locale="ru")stri_datetime_format(today(), "LLLL d, yyyy", locale="ru")
## [1] "ордибехешт"## [1] "ваисакха"## [1] "ияр"## [1] "рамадан"## [1] "бармуда"## [1] "миазия"## [1] "29 апреля 2021"## [1] "апрель 29, 2021"
Собственное форматирование дат по осям графиков
Иногда возникает необходимость собственного форматирования меток осей. Ниже пример по созданию такой функции
# сгенерируем тестовые данныеmap_tbl <- tibble( date = as_date(Sys.time() + rnorm(10^3, mean = 0, sd = 60 * 60 * 24 * 7))) %>% mutate(store = stri_c(sample(c("A", "F", "Y", "Z"), n(), replace = TRUE), sample(101:105, n(), replace = TRUE))) %>% mutate(store_fct = as.factor(store)) %>% mutate(fail_ratio = abs(rnorm(n(), mean = 0.3, sd = 1)))
my_date_format <- function (format = "dd MMMM yyyy", tz = "Europe/Moscow") { scales:::force_all(format, tz) # stri_datetime_fstr("%d.%m%n%A") # stri_datetime_fstr("%d.%m (%a)") function(x) stri_datetime_format(x, format, locale = "ru", tz = tz)}# такой же график, но в развертке по горизонталиgp <- map_tbl %>% ggplot(aes(x = date, y = store_fct, fill = fail_ratio)) + geom_tile(color = "white", size = 0.1) + # scale_fill_distiller(palette = "RdYlGn", name = "Fail Ratio", label = comma) + # scale_fill_distiller(palette = "RdYlGn", name = "Fail Ratio", guide = guide_legend(keywidth = unit(4, "cm"))) + scale_fill_distiller(palette = "RdYlGn", name = "Fail Ratio") + scale_x_date(breaks = scales::date_breaks("1 week"), labels = my_date_format("dd'.'MM' ('ccc')'")) + coord_equal() + labs(x = NULL, y = NULL, title = "Средний % сбоев по дням") + theme_minimal() + theme(plot.title = element_text(hjust = 0)) + theme(axis.ticks = element_blank()) + theme(axis.text = element_text(size = 7)) + theme(axis.text.x = element_text(angle = 90, vjust = 0.5)) + theme(legend.position = "bottom") + theme(legend.key.width = unit(3, "cm"))gp
Тесты производительности
Простая математика
Создадим тестовый набор записей
base_df <- tibble( start = Sys.time() + rnorm(10^3, mean = 0, sd = 60 * 24 * 3)) %>% mutate(finish = start + rnorm(n(), mean = 100, sd = 60)) %>% mutate(user_id = sample(as.character(1000:1100), n(), replace = TRUE)) %>% arrange(user_id, start)dt <- as.data.table(base_df, key = c("user_id", "start")) %>% .[, c("start", "finish") := lapply(.SD, as.numeric), .SDcols = c("start", "finish")]
df <- group_by(base_df, user_id)bench::mark( dplyr_v1 = df %>% transmute(delta_t = as.numeric(difftime(finish, start, units = "secs"))) %>% ungroup(), dplyr_v2 = ungroup(df) %>% transmute(delta_t = as.numeric(difftime(finish, start, units = "secs"))), dplyr_v3 = dt %>% transmute(delta_t = finish - start), dt_v1 = dt[, .(delta_t = finish - start), by = user_id], dt_v2 = dt[, .(delta_t = finish - start)], check = FALSE # all_equal работает более корректно)
## # A tibble: 5 x 6## expression min median `itr/sec` mem_alloc `gc/sec`## <bch:expr> <bch:tm> <bch:tm> <dbl> <bch:byt> <dbl>## 1 dplyr_v1 4.3ms 4.86ms 200. 103.1KB 11.4 ## 2 dplyr_v2 2.17ms 2.46ms 380. 17.9KB 6.24## 3 dplyr_v3 1.67ms 1.77ms 527. 29.8KB 8.51## 4 dt_v1 410.4us 438.7us 2139. 90.8KB 8.35## 5 dt_v2 304.4us 335.3us 2785. 264.6KB 8.38
У меня данные хранятся в формате год/месяц/число. Мне не все нужны, а только суббота, как мне отфильтровать?
# https://stackoverflow.com/questions/16347731/how-to-change-the-locale-of-r# https://jangorecki.gitlab.io/data.cube/library/stringi/html/stringi-locale.htmldf <- as.Date("2020-01-01") %>% seq.Date(to = . + months(4), by = "1 day") %>% tibble(date = .) %>% mutate(wday = lubridate::wday(date, week_start = 1), wday_abb_rus = lubridate::wday(date, label = TRUE, week_start = 1), wday_abb_enu = lubridate::wday(date, label = TRUE, week_start = 1, locale = "English"), wday_stri = stringi::stri_datetime_format(date, "EEEE", locale = "en"))# оставим только субботыfilter(df, wday == 6)
Предыдущая публикация R vs Python в продуктивном контуре.