Question

在每个id中，我希望保留至少相隔91天的行。在下面的数据框df中，id=1有5行，id=2有1行。

对于id=1，我只想保留第1行，第3行和第5行。

这是因为如果我们比较第一个日期和第二个日期，它们相差32天。所以，删除第二个日期。我们继续比较第1和第3个日期，它们相差152天。所以，我们保持第3次约会。

现在，我们使用第3个日期，而不是使用第1个日期作为参考。第3个日期和第4个日期相差61天。所以，删除第4个日期。我们继续比较第3个日期和第5个日期，它们相差121天。所以，我们保持第5个约会。

最后，我们保留的日期是第1天，第3天和第5天。至于id=2，只有一行，所以我们保留它。所需结果显示在dfnew。

中

df <- read.table(header = TRUE, text = "
id  var1  date        
 1  A     2006-01-01 
 1  B     2006-02-02 
 1  C     2006-06-02 
 1  D     2006-08-02 
 1  E     2007-12-01 
 2  F     2007-04-20 
",stringsAsFactors=FALSE)

dfnew <- read.table(header = TRUE, text = "
id  var1  date        
 1  A     2006-01-01 
 1  C     2006-06-02 
 1  E     2007-12-01 
 2  F     2007-04-20 
",stringsAsFactors=FALSE)

我只能考虑从df开始按id分组，如下所示：

library(dplyr)
dfnew <- df %>% group_by(id)

但是，我不确定如何从这里继续。我应该继续filter功能还是slice？如果是这样，怎么样？

Answer 1

这是尝试使用data.table中的滚动连接，我认为这应该是高效的

library(data.table)
# Set minimum distance
mindist <- 91L 
# Make sure it is a real Date
setDT(df)[, date := as.IDate(date)] 
# Create a new column with distance + 1 to roll join too
df[, date2 := date - (mindist + 1L)] 
# Perform a rolling join per each value in df$date2 that has atleast 91 difference from df$date
unique(df[df, on = c(id = "id", date = "date2"), roll = -Inf], by = c("id", "var1"))
#    id var1       date      date2 i.var1     i.date
# 1:  1    A 2005-10-01 2005-10-01      A 2006-01-01
# 2:  1    C 2006-03-02 2006-03-02      C 2006-06-02
# 3:  1    E 2007-08-31 2007-08-31      E 2007-12-01
# 4:  2    F 2007-01-18 2007-01-18      F 2007-04-20

这将为您提供两个额外的列，但这不是一个特殊的IMO。从逻辑上讲，这是有道理的，我已经在不同的场景中成功测试了它，但它可能需要一些额外的验证测试。

Answer 2

使用slice中的dplyr的替代方法是定义以下递归函数：

library(dplyr)
f <- function(d, ind=1) {
  ind.next <- first(which(difftime(d,d[ind], units="days") > 90))
  if (is.na(ind.next))
    return(ind)
  else
    return(c(ind, f(d,ind.next)))
}

此功能在从date开始的ind = 1列上运行。然后，它会找到下一个索引ind.next，该索引是first索引，其日期大于90天（至少91天），距ind索引的日期。请注意，如果没有ind.next，ind.next==NA，我们只返回ind。否则，我们从f开始递归调用ind.next并返回与ind连接的结果。此函数调用的最终结果是行索引至少相隔91天。

使用此功能，我们可以：

result <- df %>% group_by(id) %>% slice(f(as.Date(date, format="%Y-%m-%d")))
##Source: local data frame [4 x 3]
##Groups: id [2]
##
##     id  var1       date
##  <int> <chr>      <chr>
##1     1     A 2006-01-01
##2     1     C 2006-06-02
##3     1     E 2007-12-01
##4     2     F 2007-04-20

使用此函数假定date列按每个id组的升序排序。如果没有，我们可以在切片之前对日期进行排序。不确定这种效率或R中递归调用的危险性。希望David Arenburg或其他人可以对此发表评论。

根据David Arenburg的建议，最好先将date转换为Date类，而不是按组转换：

result <- df %>% mutate(date=as.Date(date, format="%Y-%m-%d")) %>%
                 group_by(id) %>% slice(f(date))
##Source: local data frame [4 x 3]
##Groups: id [2]
##
##     id  var1       date
##  <int> <chr>     <date>
##1     1     A 2006-01-01
##2     1     C 2006-06-02
##3     1     E 2007-12-01
##4     2     F 2007-04-20

如何根据R中行之间的日期差异过滤行？

2 个答案: