如何计算 R 中不规则降雨时间序列中最多 60 分钟的总时间？

问题描述

我使用 0.5 毫米的翻斗记录了持续不规则时间序列的降雨数据。

例如

日期和时间	降雨
11/05/2021 11:05:17	0.5
11/05/2021 11:15:10	0.5
11/05/2021 11:20:04	0.5
11/05/2021 11:28:22	0.5
11/05/2021 11:33:25	0.5
11/05/2021 11:36:39	0.5
11/05/2021 11:39:50	0.5
11/05/2021 11:41:43	0.5
11/05/2021 11:43:35	0.5
11/05/2021 11:44:57	0.5
11/05/2021 11:47:02	0.5
11/05/2021 11:48:42	0.5
11/05/2021 11:53:04	0.5
11/05/2021 11:58:33	0.5
11/05/2021 12:01:27	0.5
11/05/2021 12:02:52	0.5
11/05/2021 12:07:35	0.5
11/05/2021 12:10:32	0.5
11/05/2021 12:12:55	0.5
11/05/2021 12:16:22	0.5
11/05/2021 12:17:45	0.5
11/05/2021 12:20:14	0.5
11/05/2021 12:22:26	0.5

在活动期间，我希望能够计算：

累计 60 分钟
活动总时长不超过 60 分钟（不是每小时 11 点到 12 点、12 点到 1 点等）

即在上面的示例中：60 分钟的时间段可以从 12:07:35 开始并包括回到 11:15:10（60 分钟的时间段开始于精确的 hh:mm:ss 提示）。

了解最大总数有助于我们比较事件和预测。

到目前为止我的思考过程：

我一直在使用滞后函数计算水位上升率（以 5 分钟为间隔记录）。

River_Hour_RoR <- mutate(River,RoR = Stage - lag(Stage,n = 12))

我想也许我可以将 sum/cumulative-sum 函数与滞后函数结合使用（以类似于 WL 上升率的方式），但我不确定如何指定 60 分钟的时间间隔。

任何关于如何执行此操作的想法或不同的方法将不胜感激！谢谢:)！

解决方法

library(lubridate)
library(slider)


# convert to POSIXct datetime format
df1$Date.and.time = lubridate::mdy_hms(df1$Date.and.time)

# sum over prior 60 minutes using slider::slide_index
df1$hourly_total = slider::slide_index_dbl(df1$Rainfall,df1$Date.and.time,sum,.before = minutes(60))

df1[df1$hourly_total == max(df1$hourly_total),]
#         Date.and.time Rainfall hourly_total
#23 2021-11-05 12:22:26      0.5           10

或者，这里有一种 dplyr 方法，我们采用累积数据总和，加上具有负降雨量的滞后一小时版本。这将允许仅累积过去 60m 的总数。

library(dplyr)
bind_rows(
  df1,df1 %>% mutate(Date.and.time = Date.and.time + dhours(1),Rainfall = -Rainfall)) %>%
  arrange(Date.and.time) %>%
  mutate(Rainfall_60m = cumsum(Rainfall))

如果我们将其输入 ggplot，我们可以直观地看到它是如何工作的：

... %>%
ggplot(aes(Date.and.time,Rainfall_60m)) + 
geom_step() +
geom_col(aes(y = Rainfall))

使用 data.table，自连接到最近 60 分钟内的那些记录：

library(data.table)
setDT(dat)

dat[,Datetime := as.POSIXct(Datetime,format="%d/%m/%Y %H:%M:%S",tz="UTC") ]
dat[,subthour := Datetime - as.difftime(1,units="hours") ]

dat[,Sum_Rainfall := 
  dat[
    dat,on = c("Datetime>=subthour","Datetime<=Datetime"),sum(Rainfall),by=.EACHI
  ]$V1
]
dat[,subthour := NULL]

结果：

#               Datetime Rainfall Sum_Rainfall
# 1: 2021-05-11 11:05:17      0.5          0.5
# 2: 2021-05-11 11:15:10      0.5          1.0
# 3: 2021-05-11 11:20:04      0.5          1.5
# 4: 2021-05-11 11:28:22      0.5          2.0
# 5: 2021-05-11 11:33:25      0.5          2.5
# 6: 2021-05-11 11:36:39      0.5          3.0
# 7: 2021-05-11 11:39:50      0.5          3.5
# 8: 2021-05-11 11:41:43      0.5          4.0
# 9: 2021-05-11 11:43:35      0.5          4.5
#10: 2021-05-11 11:44:57      0.5          5.0
#11: 2021-05-11 11:47:02      0.5          5.5
#12: 2021-05-11 11:48:42      0.5          6.0
#13: 2021-05-11 11:53:04      0.5          6.5
#14: 2021-05-11 11:58:33      0.5          7.0
#15: 2021-05-11 12:01:27      0.5          7.5
#16: 2021-05-11 12:02:52      0.5          8.0
#17: 2021-05-11 12:07:35      0.5          8.0
#18: 2021-05-11 12:10:32      0.5          8.5
#19: 2021-05-11 12:12:55      0.5          9.0
#20: 2021-05-11 12:16:22      0.5          9.0
#21: 2021-05-11 12:17:45      0.5          9.5
#22: 2021-05-11 12:20:14      0.5          9.5
#23: 2021-05-11 12:22:26      0.5         10.0
#               Datetime Rainfall Sum_Rainfall

dat 在哪里：

dat <- structure(list(Datetime = c("11/05/2021 11:05:17","11/05/2021 11:15:10","11/05/2021 11:20:04","11/05/2021 11:28:22","11/05/2021 11:33:25","11/05/2021 11:36:39","11/05/2021 11:39:50","11/05/2021 11:41:43","11/05/2021 11:43:35","11/05/2021 11:44:57","11/05/2021 11:47:02","11/05/2021 11:48:42","11/05/2021 11:53:04","11/05/2021 11:58:33","11/05/2021 12:01:27","11/05/2021 12:02:52","11/05/2021 12:07:35","11/05/2021 12:10:32","11/05/2021 12:12:55","11/05/2021 12:16:22","11/05/2021 12:17:45","11/05/2021 12:20:14","11/05/2021 12:22:26"
),Rainfall = c(0.5,0.5,0.5)),class = "data.frame",row.names = c(NA,-23L))

cumulative-sum r r