17 Dates and times
17.1 Introduction
本章将向你展示如何在 R 中处理日期和时间。 乍看之下，日期和时间似乎很简单。 你在日常生活中经常使用它们，而且它们似乎不会引起太多困惑。 然而，你对日期和时间了解得越多，就越会发现它们的复杂之处！
先来思考一下：一年有多少天，一天有多少小时。 你或许记得大多数年份有 365 天，但闰年有 366 天。 你知道判断闰年的完整规则吗1? 一天的小时数则稍不明显：大多数日子有 24 小时，但在使用夏令时（DST）的地区，每年会有一天只有 23 小时，另一天则有 25 小时。
日期和时间之所以复杂，是因为它们必须协调两种自然现象（地球自转和绕太阳公转）与一系列地缘政治现象（包括月份、时区和夏令时）。 本章不会涵盖日期和时间的每一个细节，但会为你打下扎实的实践技能基础，帮助你应对常见的数据分析挑战。
我们将首先展示如何从不同输入创建日期时间，然后介绍在获得日期时间后如何提取年、月、日等组成部分。 接着，我们将深入探讨处理时间跨度的棘手主题，根据不同的使用目标，时间跨度有多种表现形式。 最后，我们将简要讨论时区带来的额外挑战。
17.1.1 Prerequisites
本章将重点介绍 lubridate 包，它能让你在 R 中更轻松地处理日期和时间。 根据 tidyverse 的最新版本，lubridate 已成为核心 tidyverse 的一部分。 我们还需要 nycflights13 包来提供练习数据。
17.2 Creating date/times
有三种类型的日期/时间数据用于指代特定时刻：
A date。 Tibbles 会将其显示为
<date>。A time within a day。 Tibbles 会将其显示为
<time>。A date-time 是日期加上时间: 它能唯一标识某个时刻（通常精确到秒）。 Tibbles 会将其显示为
<dttm>。 Base R 将其称为 POSIXct, 但这个名称并不直观.
本章我们将重点关注日期和日期时间，因为 R 没有原生类来存储时间。 如果你需要处理时间，可以使用 hms 包。
你应始终使用能满足需求的最简单数据类型。 这意味着如果可以用 date 代替 date-time，就应该使用 date。 Date-times 要复杂得多，因为需要处理时区问题，我们将在本章末尾讨论这一点。
要获取当前 date 或 date-time，可以使用 today() 或 now()：
除此之外，以下部分将介绍四种常见的创建 date/time 的方法：
- 使用 readr 读取文件时。
- 从字符串解析。
- 从独立的 date-time 组件组合。
- 从已有的 date/time 对象转换。
17.2.1 During import
如果你的 CSV 文件包含 ISO8601 格式的 date 或 date-time，你无需进行额外操作；readr 会自动识别它：
csv <- "
date,datetime
2022-01-02,2022-01-02 05:12
"
read_csv(csv)
#> # A tibble: 1 × 2
#> date datetime
#> <date> <dttm>
#> 1 2022-01-02 2022-01-02 05:12:00如果你之前没听说过 ISO8601，它是一种国际标准2，用于书写日期，其日期组成部分按从大到小的顺序排列，并用 - 分隔。 例如，在 ISO8601 标准中，2022 年 5 月 3 日写作 2022-05-03。ISO8601 日期也可以包含时间，其中时、分、秒用 : 分隔，而日期和时间部分则用 T 或空格分隔。 例如，2022 年 5 月 3 日下午 4:26 可以写作 2022-05-03 16:26 或 2022-05-03T16:26。
对于其他日期时间格式，你需要使用 col_types 以及 col_date() 或 col_datetime()，并指定日期时间格式。 readr 使用的日期时间格式是多种编程语言通用的标准，它用 % 后跟一个字符来描述日期组成部分。 例如，%Y-%m-%d 指定了一个日期格式为年、-、月（数字形式）、-、日。 表 Table 17.1 列出了所有选项。
| Type | Code | Meaning | Example |
|---|---|---|---|
| Year | %Y |
4 digit year | 2021 |
%y |
2 digit year | 21 | |
| Month | %m |
Number | 2 |
%b |
Abbreviated name | Feb | |
%B |
Full name | February | |
| Day | %d |
Two digits | 02 |
%e |
One or two digits | 2 | |
| Time | %H |
24-hour hour | 13 |
%I |
12-hour hour | 1 | |
%p |
AM/PM | pm | |
%M |
Minutes | 35 | |
%S |
Seconds | 45 | |
%OS |
Seconds with decimal component | 45.35 | |
%Z |
Time zone name | America/Chicago | |
%z |
Offset from UTC | +0800 | |
| Other | %. |
Skip one non-digit | : |
%* |
Skip any number of non-digits |
这段代码显示了一些应用于一个非常模糊的日期的选项：
csv <- "
date
01/02/15
"
read_csv(csv, col_types = cols(date = col_date("%m/%d/%y")))
#> # A tibble: 1 × 1
#> date
#> <date>
#> 1 2015-01-02
read_csv(csv, col_types = cols(date = col_date("%d/%m/%y")))
#> # A tibble: 1 × 1
#> date
#> <date>
#> 1 2015-02-01
read_csv(csv, col_types = cols(date = col_date("%y/%m/%d")))
#> # A tibble: 1 × 1
#> date
#> <date>
#> 1 2001-02-15请注意，无论你如何指定日期格式，一旦将其导入 R，它总是以相同的方式显示。
如果你使用 %b 或 %B 并处理非英语日期，还需要提供 locale() 参数。 可查看 date_names_langs() 中内置的语言列表，或使用 date_names() 创建自定义语言设置。
17.2.2 From strings
日期时间规范语言功能强大，但需要仔细分析日期格式。 另一种方法是使用 lubridate 的辅助函数，它们能在你指定组成部分的顺序后自动判断格式。 使用时，只需识别你的日期中年、月、日出现的顺序，然后按相同顺序排列 “y”、“m” 和 “d”。 即可得到能解析该日期的 lubridate 函数名称。 例如：
ymd() 等创建 data。 要创建 date-time，请在解析函数的名称中添加下划线和一个或多个 “h”，“m” 和 “s”：
你也可以通过提供时区来强制从 date 创建 date-time：
ymd("2017-01-31", tz = "UTC")
#> [1] "2017-01-31 UTC"这里我使用了 UTC3 时区，你可能也知道它被称为 GMT（格林威治标准时间），即经度 0° 的时间4 。该时区不采用夏令时，这使得计算更为简便 。
17.2.3 From individual components
有时，你会遇到 date-time 的各个组成部分分散在多个列中，而不是单个字符串。 flights 数据集中的情况正是如此：
flights |>
select(year, month, day, hour, minute)
#> # A tibble: 336,776 × 5
#> year month day hour minute
#> <int> <int> <int> <dbl> <dbl>
#> 1 2013 1 1 5 15
#> 2 2013 1 1 5 29
#> 3 2013 1 1 5 40
#> 4 2013 1 1 5 45
#> 5 2013 1 1 6 0
#> 6 2013 1 1 5 58
#> # ℹ 336,770 more rows要从这类输入创建 date/time，请对 dates 使用 make_date()，对 date-times 使用 make_datetime()：
flights |>
select(year, month, day, hour, minute) |>
mutate(departure = make_datetime(year, month, day, hour, minute))
#> # A tibble: 336,776 × 6
#> year month day hour minute departure
#> <int> <int> <int> <dbl> <dbl> <dttm>
#> 1 2013 1 1 5 15 2013-01-01 05:15:00
#> 2 2013 1 1 5 29 2013-01-01 05:29:00
#> 3 2013 1 1 5 40 2013-01-01 05:40:00
#> 4 2013 1 1 5 45 2013-01-01 05:45:00
#> 5 2013 1 1 6 0 2013-01-01 06:00:00
#> 6 2013 1 1 5 58 2013-01-01 05:58:00
#> # ℹ 336,770 more rows让我们对 flights 中的四个时间列进行同样的处理。 时间的表示格式有些特殊，因此我们使用模运算来提取小时和分钟部分。 创建 date-time 变量后，我们将重点关注本章后续部分要探索的变量。
make_datetime_100 <- function(year, month, day, time) {
make_datetime(year, month, day, time %/% 100, time %% 100)
}
flights_dt <- flights |>
filter(!is.na(dep_time), !is.na(arr_time)) |>
mutate(
dep_time = make_datetime_100(year, month, day, dep_time),
arr_time = make_datetime_100(year, month, day, arr_time),
sched_dep_time = make_datetime_100(year, month, day, sched_dep_time),
sched_arr_time = make_datetime_100(year, month, day, sched_arr_time)
) |>
select(origin, dest, ends_with("delay"), ends_with("time"))
flights_dt
#> # A tibble: 328,063 × 9
#> origin dest dep_delay arr_delay dep_time sched_dep_time
#> <chr> <chr> <dbl> <dbl> <dttm> <dttm>
#> 1 EWR IAH 2 11 2013-01-01 05:17:00 2013-01-01 05:15:00
#> 2 LGA IAH 4 20 2013-01-01 05:33:00 2013-01-01 05:29:00
#> 3 JFK MIA 2 33 2013-01-01 05:42:00 2013-01-01 05:40:00
#> 4 JFK BQN -1 -18 2013-01-01 05:44:00 2013-01-01 05:45:00
#> 5 LGA ATL -6 -25 2013-01-01 05:54:00 2013-01-01 06:00:00
#> 6 EWR ORD -4 12 2013-01-01 05:54:00 2013-01-01 05:58:00
#> # ℹ 328,057 more rows
#> # ℹ 3 more variables: arr_time <dttm>, sched_arr_time <dttm>, …利用这些数据，我们可以可视化一年中起飞时间的分布情况：
flights_dt |>
ggplot(aes(x = dep_time)) +
geom_freqpoly(binwidth = 86400) # 86400 seconds = 1 day
或者在一天之内：
flights_dt |>
filter(dep_time < ymd(20130102)) |>
ggplot(aes(x = dep_time)) +
geom_freqpoly(binwidth = 600) # 600 s = 10 minutes
请注意，当您在数字上下文中（如直方图中）使用 date-times 时，1 表示 1 秒，因此 binwidth 为 86400 表示一天。 对于 dates，1 表示 1 天。
17.2.4 From other types
你可能需要在 date-time 和 date 之间进行转换。 这可以通过 as_datetime() 和 as_date() 函数来实现：
as_datetime(today())
#> [1] "2026-01-22 UTC"
as_date(now())
#> [1] "2026-01-22"有时你会遇到以数字偏移量形式表示的 date/times，其基准是 “Unix Epoch”，1970-01-01。 如果偏移量以秒为单位，请使用 as_datetime()；如果以天为单位，则使用 as_date()。
as_datetime(60 * 60 * 10)
#> [1] "1970-01-01 10:00:00 UTC"
as_date(365 * 10 + 2)
#> [1] "1980-01-01"17.2.5 Exercises
17.3 Date-time components
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 Getting components
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。
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。
我们可以使用 wday() 来观察工作日出发的航班数量多于周末：
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！
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：
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！
17.3.2 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：
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：
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：
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 Modifying components
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。
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：
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：
17.3.4 Exercises
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 Time spans
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：
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。
as.duration(h_age)
#> [1] "1460332800s (~46.28 years)"Durations 附带了一系列便捷的构造函数：
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：
你可以对日期进行 durations 的加减运算：
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：
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：
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。
你可以对 periods 进行加法和乘法运算：
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：
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。
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。
现在，所有航班都符合物理定律了。
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：
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：
然后你可以将其除以 days() 来找出该年份包含多少天：
17.4.4 Exercises
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 Time zones
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：
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：
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：
你可以通过减法运算验证它们是同一时间：
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：
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。
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。
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 Summary
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。