我正在尝试对数据框中后续组中的项目进行比较 - 我想当你知道自己在做什么时,这很容易...
我的数据集可以表示如下:
set.seed(1)
data <- data.frame(
date = c(rep('2015-02-01',15), rep('2015-02-02',16), rep('2015-02-03',15)),
id = as.character(c(1005 + sample.int(10,15,replace=TRUE), 1005 + sample.int(10,16,replace=TRUE), 1005 + sample.int(10,15,replace=TRUE)))
)
产生的数据框如下所示:
date id
1/02/2015 1008
1/02/2015 1009
1/02/2015 1011
1/02/2015 1015
1/02/2015 1008
1/02/2015 1014
1/02/2015 1015
1/02/2015 1012
1/02/2015 1012
1/02/2015 1006
1/02/2015 1008
1/02/2015 1007
1/02/2015 1012
1/02/2015 1009
1/02/2015 1013
2/02/2015 1010
2/02/2015 1013
2/02/2015 1015
2/02/2015 1009
2/02/2015 1013
2/02/2015 1015
2/02/2015 1008
2/02/2015 1012
2/02/2015 1007
2/02/2015 1008
2/02/2015 1009
2/02/2015 1006
2/02/2015 1009
2/02/2015 1014
2/02/2015 1009
2/02/2015 1010
3/02/2015 1011
3/02/2015 1010
3/02/2015 1007
3/02/2015 1014
3/02/2015 1012
3/02/2015 1013
3/02/2015 1007
3/02/2015 1013
3/02/2015 1010
然后我想按日期(group_by)对数据进行分组,然后在比较组之前过滤掉重复项(不同)。我想要做的是每天确定添加哪个新ID以及哪个id离开。因此,比较第1天和第2天以确定第2天中不是第1天的id和第1天但在第2天不存在的id,然后在第2天和第3天之间进行相同的比较等。
使用anti_join(dplyr)可以非常轻松地进行比较,但我不知道如何引用数据集中的各个组。
我的尝试(或我的一次尝试)看起来像:
data %>%
group_by(date) %>%
distinct(id) %>%
do(lost = anti_join(., lag(.), by="id"))
但当然这不起作用,我得到:
Error in anti_join_impl(x, y, by$x, by$y) : Can't join on 'id' x 'id' because of incompatible types (factor / logical)
我试图做什么甚至可能,或者我是否应该考虑编写一个笨重的功能来做它?
答案 0 :(得分:0)
只需将输入stringsAsFactors = FALSE
添加到您的数据框即可。这将使您的代码运行:虽然我不确定输出的结果是否是您正在寻找的结果。要查看整个结果,请将其传递到data.frame并查看它是否是您要查找的内容。希望这会有所帮助。
set.seed(1)
data <- data.frame(
date = c(rep('2015-02-01',15), rep('2015-02-02',16), rep('2015-02-3',15)),
id = as.character(c(1005 + sample.int(10,15,replace=TRUE), 1005 + sample.int(10,16,replace=TRUE), 1005 + sample.int(10,15,replace=TRUE))),stringsAsFactors = FALSE)
data %>%
group_by(date) %>%
distinct(id) %>%
do(lost = anti_join(., lag(.), by="id"))%>%data.frame()
答案 1 :(得分:0)
对数据进行一些操作,合并可能会做你想要的。像这样的东西
df <- unique(data)
df$date <- as.Date(df$date)
df$leftdate <- df$date + 1
df$prevdate <- df$date - 1
df2 <- cbind(df[,c("date","id")],flag = 1)
# merge the dataframe so that each day would attempt to join the next day
dfleft <- merge(df,df2,by.x = c("leftdate","id"),by.y = c("date","id"),all.x= TRUE)
# if there is no common id between a day and the next day, the merge returns NA, which is the desired results for those who left
dfleft <- dfleft[is.na(dfleft$flag),c("leftdate","id")]
# Here, you reverse the logic to find those who show up today but weren't there yesterday
dfnew <- merge(df,df2,by.x = c("prevdate","id"),by.y = c("date","id"),all.x= TRUE)
dfnew <- dfnew[is.na(dfnew$flag),c("date","id")]
答案 2 :(得分:0)
我对该问题的理解是,数据显示了每个日期的ID,我们希望迭代日期中的ID与前一个日期的ID进行比较。
首先获取唯一行u
并将id
转换为数字。然后将id
分割为date
,并s
,并定义一个函数diffs
,该函数会使用负数生成已添加ID的数字向量,用于删除ID。 lapply
表示seq_along(s)除了第一个组件,因为它没有先前的组件。没有包使用。
u <- unique(data)
u$id <- as.numeric(as.character(u$id))
s <- split(u$id, u$date)
diffs <- function(i) c(setdiff(s[[i]], s[[i-1]]), - setdiff(s[[i-1]], s[[i]]))
diffs_list <- setNames(lapply(seq_along(s)[-1], diffs), names(s)[-1])
,并提供:
> diffs_list
$`2015-02-02`
[1] 1010 -1011
$`2015-02-03`
[1] 1011 -1015 -1009 -1008 -1006
或者您希望数据框作为输出
setNames(stack(diffs_list), c("id", "date"))
,并提供:
id date
1 1010 2015-02-02
2 -1011 2015-02-02
3 1011 2015-02-03
4 -1015 2015-02-03
5 -1009 2015-02-03
6 -1008 2015-02-03
7 -1006 2015-02-03
<强> magrittr 强>
这也可以使用像这样的magrittr包表达,其中diffs
定义如上。
library(magrittr)
data %>%
unique %>%
transform(id = as.numeric(as.character(id))) %>%
{ split(.$id, .$date) } %>%
{ setNames(lapply(seq_along(.)[-1], diffs), names(.)[-1]) }
注意:我已将data$date
中的-3替换为-03。
答案 3 :(得分:0)
我确定我没有为自己的答案投票,但我必须说我最喜欢我的答案。我希望得到一个使用dplyr工具来解决问题的答案,所以我一直在研究,我想我现在有一个(半)优雅的解决方案(除了我的函数中的for循环)。
以相同的方式生成样本数据集,但使用更多数据使其更有趣:
set.seed(1)
data <- data.frame(
date = c(rep('2015-02-01',15), rep('2015-02-02',16), rep('2015-02-03',15), rep('2015-02-04',15), rep('2015-02-05',15)),
id = as.character(c(1005 + sample.int(10,15,replace=TRUE), 1005 + sample.int(10,16,replace=TRUE), 1005 + sample.int(10,15,replace=TRUE), 1005 + sample.int(10,15,replace=TRUE), 1005 + sample.int(10,15,replace=TRUE)))
)
通过interweb搜索我发现了dplyr函数&#39; nest()&#39;这看起来解决了我的所有分组问题。 nest()函数接受group_by()创建的组,并将它们滚动到数据框列表中,这样您最终会为每个已分组的变量输入一个条目,然后为所有适合的变量的数据框输入那个小组 - 在这里:
dataNested <- data %>%
group_by(date) %>%
distinct(id) %>%
nest()
这产生了一个相当奇怪的数据框,如下所示:
date data
1 2015-02-01 list(id = c(3, 4, 6, 10, 9, 7, 1, 2, 8))
2 2015-02-02 list(id = c(5, 8, 10, 4, 3, 7, 2, 1, 9))
3 2015-02-03 list(id = c(6, 5, 2, 9, 7, 8))
4 2015-02-04 list(id = c(1, 5, 8, 7, 9, 3, 4, 6, 10))
5 2015-02-05 list(id = c(3, 5, 4, 7, 8, 1, 9))
因此列表中的索引引用了id的列表(奇怪但是真实)。
现在允许我们按索引编号引用组:
dataNested$data[[2]]
返回:
# A tibble: 9 × 1
id
<fctr>
1 1010
2 1013
3 1015
4 1009
5 1008
6 1012
7 1007
8 1006
从这里开始,这是一个简单的问题,即写一个函数会使anti_join让我们只留下每个后续组之间的差异(尽管这是我不感到骄傲的部分,并且真正开始显示我缺乏R技能 - 请随意提出改进建议):
## Function departed() - returns the id's that were dropped from each subsequent time period
departed <- function(groups) {
tempList <- vector("list", nrow(groups))
# Loop through the groups and do an anti_join between each
for (i in seq(1, nrow(groups) - 1)) {
tempList[[i + 1]] <-
anti_join(data.frame(groups$data[[i]]), data.frame(groups$data[[i + 1]]), by = "id")
}
return(tempList)
}
将此功能应用于我们的嵌套数据会产生已离开的ID列表:
> departedIDs <- dataNested %>% departed()
> departedIDs
[[1]]
NULL
[[2]]
id
1 1011
[[3]]
id
1 1006
2 1008
3 1009
4 1015
[[4]]
id
1 1007
[[5]]
id
1 1011
2 1015
我希望这个答案可以帮助那些大脑以与我相同的方式工作的人。