按连接值对R数据帧进行分组

Question

我没有找到R中这个常见分组问题的解决方案:

这是我的原始数据集

ID  State
1   A
2   A
3   B
4   B
5   B
6   A
7   A
8   A
9   C
10  C

这应该是我的分组结果数据集

State   min(ID) max(ID)
A       1       2
B       3       5
A       6       8
C       9       10

因此,我们的想法是首先按ID列(或时间戳列)对数据集进行排序.然后,应将没有间隙的所有连接状态组合在一起,并返回最小和最大ID值.它与rle方法有关,但这不允许计算组的最小值,最大值.

有任何想法吗？

Answer 1

你可以尝试:

library(dplyr)
df %>%
  mutate(rleid = cumsum(State != lag(State, default = ""))) %>%
  group_by(rleid) %>%
  summarise(State = first(State), min = min(ID), max = max(ID)) %>%
  select(-rleid)

或者按照@alistaire在评论中提到的,你实际上可以group_by()使用相同的语法进行变异,结合前两个步骤.窃取data.table::rleid()和使用summarise_all()简化:

df %>% 
  group_by(State, rleid = data.table::rleid(State)) %>% 
  summarise_all(funs(min, max)) %>% 
  select(-rleid)

这使:

## A tibble: 4 × 3
#   State   min   max
#  <fctr> <int> <int>
#1      A     1     2
#2      B     3     5
#3      A     6     8
#4      C     9    10

Answer 2

这是一个方法,它使用rle基数R中的函数为您提供的数据集.

# get the run length encoding
temp <- rle(df$State)

# construct the data.frame
newDF <- data.frame(State=temp$values,
                    min.ID=c(1, head(cumsum(temp$lengths) + 1, -1)),
                    max.ID=cumsum(temp$lengths))

返回

newDF
  State min.ID max.ID
1     A      1      2
2     B      3      5
3     A      6      8
4     C      9     10

注意,rle需要一个字符向量而不是一个因子,所以我使用下面的as.is参数.

正如@ cryo111在下面的注释中所述,数据集可能是无序的时间戳,与时间计算的长度不对应rle.要使此方法起作用,您需要首先将时间戳转换为日期时间格式,使用类似函数as.POSIXct,使用df <- df[order(df$ID),],然后对上述方法稍作修改:

# get the run length encoding
temp <- rle(df$State)

# construct the data.frame
newDF <- data.frame(State=temp$values,
                    min.ID=df$ID[c(1, head(cumsum(temp$lengths) + 1, -1))],
                    max.ID=df$ID[cumsum(temp$lengths)])

数据

df <- read.table(header=TRUE, as.is=TRUE, text="ID  State
1   A
2   A
3   B
4   B
5   B
6   A
7   A
8   A
9   C
10  C")