使用dplyr进行分组并筛选

Question

首先，请告诉我是否我的dplyr使用不佳，因为我不确定我是否以最佳方式处理这个问题。我有下面的数据框：

mydf = data.frame(user = c(7,7,7,7,7,7,7,8,8,8,8,8,8),
                  col1 = c('0','0','1','1','0','3','NULL','3','3','0','1','0','0'),
                  col2 = runif(n=13),
                  col3 = letters[1:13], 
                  stringsAsFactors = FALSE)

> mydf
   user col1      col2 col3
1     7    0 0.7607907    a
2     7    0 0.1580448    b
3     7    1 0.8063540    c
4     7    1 0.7331512    d
5     7    0 0.2433631    e
6     7    3 0.2357065    f
7     7 NULL 0.4864172    g
8     8    3 0.6806089    h
9     8    3 0.2229874    i
10    8    0 0.6187911    j
11    8    1 0.7617177    k
12    8    0 0.5884821    l
13    8    0 0.4985750    m

我想要做的过滤有些冗长，但我会尝试 - 我想通过删除所有 col1 == '0' 为行来过滤数据框，如果该行出现在该用户的第一个 col1 == '1' 之后。(粗体表示我弄错了原问题，颠倒了0和1)。

例如，对于用户7，第3行具有 col1 == '1'，因此我想过滤所有在第3行之后且 col1 == '0' 的行（在本例中仅为第5行）。然后，对于用户8，第11行是该用户的第一行，其中 col1 == '1'，因此我想过滤行12和13，因为 col1 == '0'。

我的最终输出应该类似于这样：

> mydf
   user col1      col2 col3
1     7    0 0.7607907    a
2     7    0 0.1580448    b
3     7    1 0.8063540    c
4     7    1 0.7331512    d
6     7    3 0.2357065    f
7     7 NULL 0.4864172    g
8     8    3 0.6806089    h
9     8    3 0.2229874    i
10    8    0 0.6187911    j
11    8    1 0.7617177    k

我尝试了以下方法，但它没有奏效。我认为添加一个rownums列，然后按用户分组，再按照我描述的方式进行筛选会起作用。我的想法是我的filter调用存在问题：

mydf %>%
  mutate(rownums = 1:nrow(mydf)) %>%
  group_by(user) %>%
  filter(!(col1 == "0" & rownums > min(which(col1 == "1"))))

# A tibble: 9 x 5
# Groups:   col0 [2]
   user  col1      col2  col3 rownums
  <dbl> <chr>     <dbl> <chr>   <int>
1     7     0 0.2088034     a       1
2     7     0 0.2081894     b       2
3     7     1 0.1825428     c       3
4     7     1 0.2143353     d       4
5     7     3 0.1979774     f       6
6     7  NULL 0.2990799     g       7
7     8     3 0.7808038     h       8
8     8     3 0.1694272     i       9
9     8     1 0.1526450     k      11

这个输出和正确的输出的区别在于，这个输出错误地过滤了原始数据框的第10行。如有帮助，请指教！编辑 - 我特别想知道在使用dplyr时，group_by() %>% filter()是否是不好的做法。我的99% group_by()都跟着summarize()，这显然更有意义。编辑2 - 我想我搞定了！

mydf %>%
  group_by(col0) %>%
  mutate(rownums = 1:length(col0)) %>%
  filter(!(col1 == "0" & rownums > min(which(col1 == "1"))))

简单地反转mutate()和group_by()的调用顺序，并稍微调整mutate()的调用，看起来已经完成了。但我很乐意听取更好的方法。

- Canovice

Answer 1

有一个 cumany 函数，它对于这些连续的条件非常有用，例如：

mydf %>%
  group_by(user) %>% 
  mutate(seen_one = cumany(col1 == "1")) %>%
  filter(!seen_one | col1 != "0")

这意味着在“1”已经在“流”中后，将所有行标记为seen_one，然后保留不满足条件的行。(使用filter的语义要求反转条件以“摆脱”行，!(A & B) == !A | !B。)

- liborm

---

我认为这是一个很棒的想法，尽管输出结果与OP的期望有很大的不同。 - Aramis7d

OP对需求不是很一致，首先他说要删除col1 == 1的行，然后又删除了col1 == 0的第12和13行。 - liborm

就像我说的那样，筛选过程很啰嗦，而且仔细看了一下，我搞砸了。 - Canovice

好的，那么我的代码是否实现了你的意图？如果没有，请修复你那啰嗦的描述。 - liborm

已经修复了，但是我的期望输出仍然和发布的一样。 - Canovice

Answer 2

通过稍微更新您的尝试，可能会解决这个问题：

library(dplyr)
mydf %>%
   group_by(user) %>%
   filter(col1 != 0 | row_number() < which.max(col1 == 1))


#    user   col1        col2  col3
#   <dbl> <chr>       <dbl> <chr>
# 1     7     0 0.756522673     a
# 2     7     0 0.168314555     b
# 3     7     1 0.977254798     c
# 4     7     1 0.722721694     d
# 5     7     3 0.407849378     f
# 6     7  NULL 0.245335151     g
# 7     8     3 0.003423735     h
# 8     8     3 0.191716738     i
# 9     8     0 0.626846893     j
#10     8     1 0.546459621     k

使用filter函数，我们选择所有col1不等于0的行或者当前行小于该组中第一个出现1的索引位置的行。

- Ronak Shah

Answer 3

这是一个通过 dplyr 的想法。

library(dplyr)

df %>% 
 group_by(user) %>% 
 mutate(id1 = row_number(), new_col = max(which(col1 == 1)+1)) %>% 
 filter(!(col1 == 0 & id1 >= new_col))

这表示：

# A tibble: 10 x 6
# Groups:   user [2]
    user  col1       col2  col3   id1 new_col
   <dbl> <chr>      <dbl> <chr> <int>   <dbl>
 1     7     0 0.54742608     a     1       5
 2     7     0 0.89271859     b     2       5
 3     7     1 0.48999057     c     3       5
 4     7     1 0.17163211     d     4       5
 5     7     3 0.96146770     f     6       5
 6     7  NULL 0.31368382     g     7       5
 7     8     3 0.82051455     h     1       5
 8     8     3 0.30705440     i     2       5
 9     8     0 0.18545358     j     3       5
10     8     1 0.04834678     k     4       5

- Sotos

---

我喜欢在mutate()中创建额外的列的想法，而不是使用过于复杂的filter()。mutate() %>% filter()使得filter更易于阅读。 - Canovice

Answer 4

另外，基于@liborm回答所提供的方向：

mydf %>%
  group_by(user) %>%
  mutate(k = cumany(col1 == '0'), j = cumany(col1 == '1')) %>%
  filter(!(col1 == 0 & k == TRUE & j == TRUE)) %>%
  select(-k,-j)

返回：

    user  col1  col2  col3
   <dbl> <chr> <dbl> <chr>
 1     7     0     1     a
 2     7     0     1     b
 3     7     1     0     c
 4     7     1     0     d
 5     7     3     0     f
 6     7  NULL     1     g
 7     8     3     0     h
 8     8     3     1     i
 9     8     0     1     j
10     8     1     0     k

- Aramis7d