logo标签列表

按组创建计数器，用于统计FALSE和NA之间连续出现TRUE的次数

rdplyrdata.tablerankrun-length-encoding
11

我有点难题要解决。

我有一个data.frame，其中TRUE的连续区域被一个或多个FALSE或NA的连续区域分隔开：

   group criterium
1      A        NA
2      A      TRUE
3      A      TRUE
4      A      TRUE
5      A     FALSE
6      A     FALSE
7      A      TRUE
8      A      TRUE
9      A     FALSE
10     A      TRUE
11     A      TRUE
12     A      TRUE
13     B        NA
14     B     FALSE
15     B      TRUE
16     B      TRUE
17     B      TRUE
18     B     FALSE

structure(list(group = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L), .Label = c("A", 
"B"), class = "factor"), criterium = c(NA, TRUE, TRUE, TRUE, 
FALSE, FALSE, TRUE, TRUE, FALSE, TRUE, TRUE, TRUE, NA, FALSE, 
TRUE, TRUE, TRUE, FALSE)), class = "data.frame", row.names = c(NA, 
-18L))

我希望按升序排列列中的TRUE组，同时忽略FALSE和NA。目标是为每个运行的TRUE在每个group内分配一个唯一的连续ID。

因此，结果应如下所示：

    group criterium goal
1      A        NA   NA
2      A      TRUE    1
3      A      TRUE    1
4      A      TRUE    1
5      A     FALSE   NA
6      A     FALSE   NA
7      A      TRUE    2
8      A      TRUE    2
9      A     FALSE   NA
10     A      TRUE    3
11     A      TRUE    3
12     A      TRUE    3
13     B        NA   NA
14     B     FALSE   NA
15     B      TRUE    1
16     B      TRUE    1
17     B      TRUE    1
18     B     FALSE   NA

我相信有一个比较简单的方法来实现这个，只是我想不出来。我尝试了dplyr的dense_rank()和其他窗口函数，但是都没有成功。

1
你可以通过这个美妙的代码片段轻松获取所需内容；as.numeric(as.factor(cumsum(is.na(d$criterium^NA)) + d$criterium^NA)) -- 只需要按组应用即可。 - user20650
那是一个非常有趣的解决方案。做得非常好！ - Humpelstielzchen
在您的示例中，所有A组都排在前面，然后是B组。我们不需要处理A组，标准= TRUE与B组，标准= TRUE交错的情况吗？ - smci
不，当A组停止时，A组的序列也会停止。 - Humpelstielzchen
但是我建议如果您构建一个示例，其中group=A，criterium=TRUE，然后是group=B，criterium=TRUE（中间没有FALSE），那么是否会得到一个新的“goal”编号？这里的一些答案将失败，因为它们没有按group进行分组或考虑group中的不连续性。 - smci
事实上，这是不可能的，因为按照我的数据框的构建方式，每个组都以NA开头。 - Humpelstielzchen
4个回答
8
另一种使用 data.table 的方法：
library(data.table)
setDT(dt)
dt[, cr := rleid(criterium)][
    (criterium), goal := rleid(cr), by=.(group)]
6
也许我把这个问题过于复杂化了，但是使用 dplyr 的一种方法是
library(dplyr)

df %>%
  mutate(temp = replace(criterium, is.na(criterium), FALSE), 
         temp1 = cumsum(!temp)) %>%
   group_by(temp1) %>%
   mutate(goal =  +(row_number() == which.max(temp) & any(temp))) %>%
   group_by(group) %>%
   mutate(goal = ifelse(temp, cumsum(goal), NA)) %>%
   select(-temp, -temp1)

#  group criterium  goal
#   <fct> <lgl>     <int>
# 1 A     NA           NA
# 2 A     TRUE          1
# 3 A     TRUE          1
# 4 A     TRUE          1
# 5 A     FALSE        NA
# 6 A     FALSE        NA
# 7 A     TRUE          2
# 8 A     TRUE          2
# 9 A     FALSE        NA
#10 A     TRUE          3
#11 A     TRUE          3
#12 A     TRUE          3
#13 B     NA           NA
#14 B     FALSE        NA
#15 B     TRUE          1
#16 B     TRUE          1
#17 B     TRUE          1
#18 B     FALSE        NA

我们首先将列中的替换为，并对其取否定的累积和（）。我们按进行分组，并在每个分组中的第一个值上赋值1。最后，按进行分组，对值进行累积求和，对和值返回。
5
一个使用的选项
library(data.table)
DT <- as.data.table(dat)
DT[, goal := {
  r <- rle(replace(criterium, is.na(criterium), FALSE))
  r$values <- with(r, cumsum(values) * values)          
  out <- inverse.rle(r)                                 
  replace(out, out == 0, NA)
}, by = group]
DT
#    group criterium goal
# 1:     A        NA   NA
# 2:     A      TRUE    1
# 3:     A      TRUE    1
# 4:     A      TRUE    1
# 5:     A     FALSE   NA
# 6:     A     FALSE   NA
# 7:     A      TRUE    2
# 8:     A      TRUE    2
# 9:     A     FALSE   NA
#10:     A      TRUE    3
#11:     A      TRUE    3
#12:     A      TRUE    3
#13:     B        NA   NA
#14:     B     FALSE   NA
#15:     B      TRUE    1
#16:     B      TRUE    1
#17:     B      TRUE    1
#18:     B     FALSE   NA

一步一步

当我们调用r <- rle(replace(criterium, is.na(criterium), FALSE))时，会得到一个rle类的对象。

r
#Run Length Encoding
#  lengths: int [1:9] 1 3 2 2 1 3 2 3 1
#  values : logi [1:9] FALSE TRUE FALSE TRUE FALSE TRUE ...

我们按以下方式操作values组件。
r$values <- with(r, cumsum(values) * values)
r
#Run Length Encoding
#  lengths: int [1:9] 1 3 2 2 1 3 2 3 1
#  values : int [1:9] 0 1 0 2 0 3 0 4 0

换句话说，我们用values的累积和替换了TRUE，并将FALSE设置为0。现在，inverse.rle返回一个向量，其中values将会重复lengths次。
out <- inverse.rle(r)
out
# [1] 0 1 1 1 0 0 2 2 0 3 3 3 0 0 4 4 4 0

这几乎是 OP 希望的，但我们需要将 0 替换为 NA

replace(out, out == 0, NA)

这是针对每个组执行的操作。

数据

dat <- structure(list(group = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L), .Label = c("A", 
"B"), class = "factor"), criterium = c(NA, TRUE, TRUE, TRUE, 
FALSE, FALSE, TRUE, TRUE, FALSE, TRUE, TRUE, TRUE, NA, FALSE, 
TRUE, TRUE, TRUE, FALSE)), class = "data.frame", row.names = c(NA, 
-18L))
谢谢！我就像这样剖析了你的答案。你的回答教会了我很多。但是chinsoon12真是个天才。^^ - Humpelstielzchen
4

一个纯Base R的解决方案，我们可以通过rle创建自定义函数，并在每个组中使用它，即：

f1 <- function(x) {
    x[is.na(x)] <- FALSE
    rle1 <- rle(x)
    y <- rle1$values
    rle1$values[!y] <- 0
    rle1$values[y] <- cumsum(rle1$values[y])
    return(inverse.rle(rle1))
}


do.call(rbind, 
     lapply(split(df, df$group), function(i){i$goal <- f1(i$criterium); 
                                             i$goal <- replace(i$goal, is.na(i$criterium)|!i$criterium, NA); 
    i}))

当然，如果你想的话，你可以通过dplyr来应用它，即：

library(dplyr)

df %>% 
 group_by(group) %>% 
 mutate(goal = f1(criterium), 
        goal = replace(goal, is.na(criterium)|!criterium, NA))

这提供了，

# A tibble: 18 x 3
# Groups:   group [2]
   group criterium  goal
   <fct> <lgl>     <dbl>
 1 A     NA           NA
 2 A     TRUE          1
 3 A     TRUE          1
 4 A     TRUE          1
 5 A     FALSE        NA
 6 A     FALSE        NA
 7 A     TRUE          2
 8 A     TRUE          2
 9 A     FALSE        NA
10 A     TRUE          3
11 A     TRUE          3
12 A     TRUE          3
13 B     NA           NA
14 B     FALSE        NA
15 B     TRUE          1
16 B     TRUE          1
17 B     TRUE          1
18 B     FALSE        NA
网页内容由stack overflow 提供, 点击上面的
可以查看英文原文，
原文链接