1

我有一个具有许多不同 UniqueID 的数据框，它们也按日期排序。每个 UniqueID 从最旧日期到最新日期排序。我们还有一个名为 steps 的列，从 1 到 4 排序。

每个 UniqueID 的目标是找到第一个步骤的最旧实例，然后是第二个步骤的最旧实例等。某些步骤可能丢失，例如 UniqueID =“B”的第 3 步丢失。在这种情况下，我们跳过第 3 步并继续进行第 4 步。

这是原始数据框。

   UniqueID       Date Step
1         A 2015-07-03    2
2         A 2015-07-07    3
3         A 2015-07-09    1
4         A 2015-07-14    4
5         A 2015-07-17    1
6         A 2015-07-20    2
7         A 2015-07-23    2
8         A 2015-07-24    3
9         A 2015-07-29    3
10        B 2015-06-01    3
11        B 2015-06-15    2
12        B 2015-06-22    1
13        B 2015-06-29    4
14        B 2015-07-13    2
15        B 2015-06-22    2
16        B 2015-07-08    2
17        B 2015-07-27    4

我们要选择的有效条目是观察 3、6、8、12、14、17。创建此数据框：

 UniqueID       Date Step
3         A 2015-07-09    1
6         A 2015-07-20    2
8         A 2015-07-24    3
12        B 2015-06-22    1
14        B 2015-07-13    2
17        B 2015-07-27    4

我有逻辑和一些伪代码，但不能把它们放在一起。因此，在 UniqueID = "A" 的示例数据帧中，我们首先将数据帧分组：

group_by(UniqueID)

找到 UniqueID = "A" 的最小值并分配给一个变量。

v <- min(Step)返回 1

然后为这一步取索引

i <- which.min(Step)返回 3

然后我们想要找到大于第一步的最小步长，并且只搜索第一步之后出现的元素。所以现在我们只搜索大于 1 的 Step 值，并且只从我们发现的第一个值的位置开始，在这种情况下从观察 3 开始。我们希望对每个 UniqueID 的所有观察重复此操作，直到我们到达最后一个观测值，或者在剩余元素中找不到大于最后一个观测值的观测值。

这是用于创建示例数据框的 dput：

structure(list(UniqueID = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L), .Label = c("A", 
"B"), class = "factor"), Date = structure(c(16619, 16623, 16625, 
16630, 16633, 16636, 16639, 16640, 16645, 16587, 16601, 16608, 
16615, 16629, 16608, 16624, 16643), class = "Date"), Step = c(2, 
3, 1, 4, 1, 2, 2, 3, 3, 3, 2, 1, 4, 2, 2, 2, 4)), .Names = c("UniqueID", 
"Date", "Step"), row.names = c(NA, -17L), class = "data.frame")

使用 jeremycg 的方法崩溃的替代 dput。

structure(list(UniqueID = structure(c(1L, 1L, 1L, 1L, 1L, 
2L, 3L, 4L, 5L, 6L, 7L, 8L, 8L, 8L, 9L, 9L, 10L, 11L), .Label = c("A","B",
"C","D","E","F","G","H","I","J","K"),
class = "factor"), Date = c("3/08/2015", 
"21/07/2015", "7/07/2015", "7/07/2015", "29/07/2015", "29/07/2015", 
"29/06/2015", "13/07/2015", "9/07/2015", "29/07/2015", "24/07/2015", 
"2/07/2015", "16/07/2015", "18/06/2015", "8/07/2015", "29/07/2015", 
"12/06/2015", "27/07/2015"), Step = c(1, 1, 4, 4, 4, 3, 
5, 5, 1, 4, 1, 2, 2, 2, 3, 3, 2, 2)), .Names = c("UniqueID", 
"Date", "Step"), class = c("tbl_df", "data.frame"
), row.names = c(NA, -18L))

编辑：即使使用来自 jeremycg 的更新代码，UniqueID 的 dput 也会继续崩溃：

structure(list(UniqueID = structure(c(1L, 1L, 1L, 1L, 1L, 1L ), .Label = c("A"                                                                                              ), class = "factor"), Date = structure(c(16619, 16623, 16625,                                                                                                                                          16630, 16633, 16636), class = "Date"), Step = c(1, 5, 5, 1, 1, 1)), .Names = c("UniqueID",                                                                                                                                                                                                                                               "Date", "Step"), row.names = c(NA, -6L), class = "data.frame")
4

1 回答 1

0

相当低效，但工作。

首先定义一个函数：

myseq <- function(df){
  if(which.min(df$Step) == nrow(df)){
    return(list(df[nrow(df),]))
  }
  store <- vector(mode = "list", length = nrow(df))
  i=1
  while(any(!is.na(df$Step))){
    store[[i]] <-  df[which.min(df$Step),]
    df <- df[which.min(df$Step) : nrow(df), ]
    df$Step[df$Step == min(df$Step)] <- NA
    i = i+1
  }
  store
}

然后使用以下方法将其包装在数据框上dplyr：

library(dplyr)
dta %>% group_by(UniqueID) %>%
        do(do.call(rbind, myseq(.)))
Source: local data frame [6 x 3]
Groups: UniqueID

  UniqueID       Date Step
1        A 2015-07-09    1
2        A 2015-07-20    2
3        A 2015-07-24    3
4        B 2015-06-22    1
5        B 2015-07-13    2
6        B 2015-07-27    4
于 2015-08-27T05:06:09.183 回答