R - 识别连续序列

Question

我有一个拥有107635行和三列的大文件，分别是主题、感兴趣区域（ROIs）和试验编号。ROIs可以是A、B、C、D、E、F。

我想要的是只保留那些在ROI列中有连续的B、C、D序列的试验，而且是第一次出现B时。不管B、C和D出现多少次都没关系。

在下面的示例中，我可以保留ntrial 78和201，因为第一次出现B后面跟着C和D。

但是，我需要删除ntrial 10和400。在试验10中，B、C和D不是连续的。在试验400中，第一次出现B时，B后面没有跟着C和D。

对于输出，我只需要一列，每行表示要保留的试验值为1，要删除的试验对应的行值为0。

有没有建议可以创建一个可以自动化该过程的代码，而不必检查每个试验？

非常感谢！

subject ROI ntrial output
sbj05   A   78     1
sbj05   A   78     1
sbj05   A   78     1
sbj05   A   78     1
sbj05   A   78     1
sbj05   A   78     1
sbj05   B   78     1
sbj05   B   78     1
sbj05   C   78     1
sbj05   D   78     1
sbj05   E   78     1
sbj05   E   78     1
sbj05   E   78     1
sbj05   A   201    1
sbj05   A   201    1
sbj05   A   201    1
sbj05   A   201    1
sbj05   A   201    1
sbj05   B   201    1
sbj05   C   201    1
sbj05   D   201    1
sbj05   E   201    1
sbj05   E   201    1
sbj05   E   201    1
sbj05   F   201    1
sbj05   F   201    1
sbj05   A   10     0
sbj05   A   10     0
sbj05   A   10     0
sbj05   A   10     0
sbj05   B   10     0
sbj05   A   10     0
sbj05   C   10     0
sbj05   D   10     0
sbj05   E   10     0
sbj05   E   10     0
sbj05   A   400    0
sbj05   A   400    0
sbj05   A   400    0
sbj05   B   400    0
sbj05   A   400    0
sbj05   B   400    0
sbj05   C   400    0
sbj05   C   400    0
sbj05   C   400    0
sbj05   D   400    0
sbj05   E   400    0
sbj05   E   400    0
sbj05   D   400    0

- dede

---

在第78次尝试中，它是“B B C D”，因此它不是首先出现的B后跟C D。 - akrun

请提供期望的输出，因为您的描述有些令人困惑。 - David Arenburg

@DavidArenburg，我包括了我想要获得的输出列。 - dede

@Vlo 这并没有考虑到 BCD 出现在第一次出现 B 之后的情况。 - akrun

如果其中一个答案对您有用，请考虑接受该答案。这将为未来的读者提供有关解决方案价值的线索。请参阅此帮助页面：当有人回答我的问题时我该怎么做？ - Jaap

Answer 1

这里尝试使用data.table和stringi来解决问题。

首先，我定义了一些辅助函数，帮助我检测每个组中第一个B的出现，并验证它们是否后跟正确的序列。

Myfunc <- function(x) {
               which(x == "B")[1L] == 
               stri_locate_first_regex(paste(x, collapse = ""), 'B*CD')[, 1L]
              } 

然后，实现就很直接了。

library(data.table)
library(stringi)
setDT(df)[, if(Myfunc(ROI)) .SD, by = .(subject, ntrial)]
#     subject ntrial ROI
#  1:   sbj05     78   A
#  2:   sbj05     78   A
#  3:   sbj05     78   A
#  4:   sbj05     78   A
#  5:   sbj05     78   A
#  6:   sbj05     78   A
#  7:   sbj05     78   B
#  8:   sbj05     78   B
#  9:   sbj05     78   C
# 10:   sbj05     78   D
# 11:   sbj05     78   E
# 12:   sbj05     78   E
# 13:   sbj05     78   E
# 14:   sbj05    201   A
# 15:   sbj05    201   A
# 16:   sbj05    201   A
# 17:   sbj05    201   A
# 18:   sbj05    201   A
# 19:   sbj05    201   B
# 20:   sbj05    201   C
# 21:   sbj05    201   D
# 22:   sbj05    201   E
# 23:   sbj05    201   E
# 24:   sbj05    201   E
# 25:   sbj05    201   F
# 26:   sbj05    201   F

或者，如果你只想要额外一列，你可以这样做。

setDT(df)[, output := +Myfunc(ROI), by = .(subject, ntrial)]

- David Arenburg

---

如果我们不是使用“B”、“C”和“D”，而是使用类似于“_target1”、“_target2”、“_target3”这样的字母字符串，该如何使用您的解决方案？在这些字符串中，每个观察值的第一部分不同，但第二部分相同（例如，abcdsgf_target1、hjgjkfkgkr_target1、jjjjdsds_target2、ljkg_target3、hascj_target3）。 - dede

我已经不记得原来的问题是什么了，但是为了提取这些字符串，你可以简单地使用类似于 sub(".*_", "", ROI)（未经测试）的东西，然后相应地调整代码。 - David Arenburg

Answer 2

这里是另一个：

idx <- sapply(split(df, df$ntrial), function(x) { 
  B <- with(rle(x$ROI == "B"),  sum(lengths[seq(which.max(values))]))
  all(x$ROI[B:(B+2)] == c("B", "C", "D"))
})
subset(df, ntrial %in% names(which(idx)))

- lukeA

Answer 3

使用match和rle的base R方法：

df$ output <- +as.logical(ave(as.character(df$ROI), df$ntrial, FUN=function(x) {rle(x[match("B",x):length(x)])$values[2] == "C"}))
#     subject ROI ntrial output
# 1    sbj05   A     78      1
# 2    sbj05   A     78      1
# 3    sbj05   A     78      1
# 4    sbj05   A     78      1
# 5    sbj05   A     78      1
# 6    sbj05   A     78      1
# 7    sbj05   B     78      1
# 8    sbj05   B     78      1
# 9    sbj05   C     78      1
# 10   sbj05   D     78      1
# 11   sbj05   E     78      1
# 12   sbj05   E     78      1
# 13   sbj05   E     78      1
# 14   sbj05   A    201      1
# 15   sbj05   A    201      1
# 16   sbj05   A    201      1
# 17   sbj05   A    201      1
# 18   sbj05   A    201      1
# 19   sbj05   B    201      1
# 20   sbj05   C    201      1
# 21   sbj05   D    201      1
# 22   sbj05   E    201      1
# 23   sbj05   E    201      1
# 24   sbj05   E    201      1
# 25   sbj05   F    201      1
# 26   sbj05   F    201      1
# 27   sbj05   A     10      0
# 28   sbj05   A     10      0
# 29   sbj05   A     10      0
# 30   sbj05   A     10      0
# 31   sbj05   B     10      0
# 32   sbj05   A     10      0
# 33   sbj05   C     10      0
# 34   sbj05   D     10      0
# 35   sbj05   E     10      0
# 36   sbj05   E     10      0
# 37   sbj05   A    400      0
# 38   sbj05   A    400      0
# 39   sbj05   A    400      0
# 40   sbj05   B    400      0
# 41   sbj05   A    400      0
# 42   sbj05   B    400      0
# 43   sbj05   C    400      0
# 44   sbj05   C    400      0
# 45   sbj05   C    400      0
# 46   sbj05   D    400      0
# 47   sbj05   E    400      0
# 48   sbj05   E    400      0
# 49   sbj05   D    400      0

那些未对齐的列一直让我感到烦恼。

- Pierre L