data.table
提供了一个rleid
函数,我发现它非常有用 - 当一个观察到的变量发生变化时,它会作为一个自动收报机,由一些其他变量排序。
library(dplyr)
tbl = tibble(time = as.integer(c(1, 2, 3, 4, 5, 6, 7, 8)),
var = c("A", "A", "A", "B", "B", "A", "A", "A"))
> tbl
# A tibble: 8 × 2
time var
<int> <chr>
1 1 A
2 2 A
3 3 A
4 4 B
5 5 B
6 6 A
7 7 A
8 8 A
期望的结果是
> tbl %>% mutate(rleid = data.table::rleid(var))
# A tibble: 8 × 3
time var rleid
<int> <chr> <int>
1 1 A 1
2 2 A 1
3 3 A 1
4 4 B 2
5 5 B 2
6 6 A 3
7 7 A 3
8 8 A 3
我想知道我是否可以使用sparklyr
提供的工具重现类似内容。在测试时,我发现我能做的最好的事情是达到我需要进行填充的程度,但是后来无法实现。
library(sparklyr)
spark_install(version = "2.0.2")
sc <- spark_connect(master = "local",
spark_home = spark_home_dir())
spk_tbl = copy_to(sc, tbl, overwrite = TRUE)
spk_tbl %>%
mutate(var2 = (var != lag(var, 1L, order = time))) %>% # Thanks @JaimeCaffarel
mutate(var3 = if(var2) { paste0(time, var) } else { NA })
Source: query [8 x 4]
Database: spark connection master=local[4] app=sparklyr local=TRUE
time var var2 var3
<int> <chr> <lgl> <chr>
1 1 A TRUE 1A
2 2 A FALSE <NA>
3 3 A FALSE <NA>
4 4 B TRUE 4B
5 5 B FALSE <NA>
6 6 A TRUE 6A
7 7 A FALSE <NA>
8 8 A FALSE <NA>
我尝试使用SparkR
,但我更喜欢sparklyr
界面及其易用性,所以我理想情况下可以在Spark SQL中执行此操作。
我当然可以通过将数据划分为足够小的块,collect
,运行函数并将其发回来来实现。
对于上下文,我发现rleid
有用的原因是我使用了大量的训练数据,并且能够对运行它的内容进行索引是有用的。
感谢您的帮助 AKHIL
答案 0 :(得分:1)
sparklyr
中的工作解决方案是:
spk_tbl %>%
dplyr::arrange(time) %>%
dplyr::mutate(rleid = (var != lag(var, 1, order = time, default = FALSE))) %>%
dplyr::mutate(rleid = cumsum(as.numeric(rleid)))
答案 1 :(得分:0)
试试这个:
tbl %>% mutate(run = c(0,cumsum(var[-1L] != var[-length(var)])))
# A tibble: 8 × 3
time var run
<int> <chr> <dbl>
1 1 A 0
2 2 A 0
3 3 A 0
4 4 B 1
5 5 B 1
6 6 A 2
7 7 A 2
8 8 A 2