Question

具有如下所示的input数据框：

我的目标是以下output：

   ID val idx
1   1   c   1
2   1   d   1
3   1   c   1
4   2   b   1
5   2   c   1
6   2   d   1
7   2   b   1
8   2   b   2
9   2   c   2
10  2   b   2
11  3   a   1
12  3   b   1
13  3   a   1
14  3   a   2
15  3   b   2
16  3   a   2

逻辑如下：

val列由基本上是序数值的字母组成（即，它们等于as.integer(factor(val))）。
对于每个val，我想确定一个序列，其中值变成更高的值（例如c -> d，但不一定是完全连续的，也可以是{{1} }），然后返回到初始值（例如c -> e），而忽略中间的任何重复项。
这说明了为什么将c -> d -> c 4-5从最终输出中删除。
在某些情况下，初始值会变成一个较高的值，然后重复此循环，例如为ID 2-3。在这些情况下，我想将所有序列重构为具有不同索引的单独序列（如ID输出列中所示）。这必然会复制在此类循环开始时的一些行。

有什么简单，快速的方法来解决这个问题吗？

编辑

不幸的是，idx的最初示例不够复杂-它给人一种错误的印象，即第一个或最后一个值始终与序列相关。

情况并非如此。即使下面的input在input 1的开头和结尾以及ID 2的结尾添加了附加值，我也希望与上面相同的ID：< / p>

output

一个字母并不是仅仅出现在前面，而是序列的开始部分。后来的重复将其追溯建立为起点。最后一个字母也是如此：如果有一个字母，则不一定是序列的一部分。

Answer 1

我想出了这种方法，这也许不是最简洁的答案，但我认为它有点可读性，可以将您的问题分解为更小的步骤。

诀窍实际上只是识别序列中最后一行的以及随后序列中第一行的
。
由于需要复制这些值，因此我为它们分配了两个IDx值。然后，我们可以轻松地unnest IDx列并列出两行。
在第二步中，我们基本上只是按照给定的规则清理数据。

步骤1：
为每一行标识相应的IDx：
//更新：过滤掉所有未出现的值（如果存在，将被视为一个序列）和有效序列块之后的任何值

library(dplyr) library(purrr) library(tidyr) df_idx <- df %>% group_by(ID) %>% add_count(val) %>% filter(cumsum(n > 1) > 0) %>% # removes leading vals filter(rev(cumsum(rev(val == first(val))) > 0)) %>% # removes trailing vals select(-n) %>% mutate( is_sequence_first = case_when( row_number() == 1 ~ T, lag(val) != val & val == first(val) & lead(val) != val ~ T, T ~ F ), is_sequence_last = case_when( row_number() == n() ~ T, val == first(val) & lead(is_sequence_first) ~ T, lag(val) != first(val) & is_sequence_first ~ T, T ~ F ), IDx = case_when( is_sequence_first & is_sequence_last ~ map(cumsum(is_sequence_first), ~c(.x-1,.x)), T ~ as.list(cumsum(is_sequence_first)) ) ) %>% unnest(IDx) %>% ungroup()

第2步：
在只有一个IDx的块中过滤出重复项，并排除“非法”（降序）序列：

df_final <- df_idx %>% group_by(ID) %>% filter( case_when( max(IDx) == 1 & row_number() == 1 ~ T, max(IDx) == 1 & val != lag(val) ~ T, max(IDx) > 1 ~ T, T ~ F ) ) %>% group_by(ID, IDx) %>% filter( any(val > first(val)) ) %>% ungroup() %>% select(-is_sequence_first, -is_sequence_last)

这给出了您在问题中提出的结果。

Answer 2

这很难。实际上，获取val列非常简单。很难匹配到ID号。

以下内容既不快速也不美观，但是可以正常工作。您描述的算法似乎过于复杂，无法提供一个整洁的解决方案，但我可能是错的...

IDs <- split(as.integer(factor(input$val)), input$ID)

vals <- unlist(lapply(IDs, function(x) {
  y <- which(x == x[1])
  a <- lapply(seq_along(y)[-1], function(z) {
    z <- x[seq(y[z-1], y[z])]
    if(length(z) == 2 | any(z < z[1])) return(NULL)
    z <- levels(factor(input$val))[z[c(which(diff(z) != 0), length(z))]]
    names(z) <- rep(names(IDs)[sapply(IDs, identical, x)], length(z))
    z
    })
  setNames(a, seq_along(a))
  }))

df2 <- data.frame(ID = as.numeric(gsub(".*\\.(\\d+)$", "\\1", names(vals))),
                  val = vals, row.names = seq_along(vals),
                  IDx = as.numeric(gsub("^.*\\.(\\d+)\\..*$", "\\1", names(vals))))

output <- `rownames<-`(do.call(rbind, lapply(split(df2, df2$ID), 
                      function(x) within(x, IDx <- as.numeric(factor(IDx))))),
             seq(nrow(df2)))

给我们：

output
#>    ID val IDx
#> 1   1   c   1
#> 2   1   d   1
#> 3   1   c   1
#> 4   2   b   1
#> 5   2   c   1
#> 6   2   d   1
#> 7   2   b   1
#> 8   2   b   2
#> 9   2   c   2
#> 10  2   b   2
#> 11  3   a   1
#> 12  3   b   1
#> 13  3   a   1
#> 14  3   a   2
#> 15  3   b   2
#> 16  3   a   2

数据

input <- structure(list(ID = c(1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 
2L, 3L, 3L, 3L, 3L, 3L, 4L, 4L, 4L, 5L, 5L), val = c("c", "c", 
"d", "d", "c", "b", "c", "d", "b", "c", "b", "a", "b", "a", "b", 
"a", "b", "a", "b", "f", "f")), class = "data.frame", row.names = c("1", 
"2", "3", "4", "5", "6", "7", "8", "9", "10", "11", "12", "13", 
"14", "15", "16", "17", "18", "19", "20", "21"))

^{由reprex package（v0.3.0）于2020-10-09创建}

识别重复值的组/顺序

2 个答案: