根据日期对 dplyr 中的组进行条件汇总

Question

我是 R 菜鸟，正在尝试对数据集执行摘要，该数据集汇总了每个 ID 的事件类型数量，这些事件发生在该 ID 的 'B' 类型事件之间。这是一个示例来说明：

id <- c('1', '1', '1', '2', '2', '2', '3', '3', '3', '3')
type <- c('A', 'A', 'B', 'A', 'B', 'C', 'A', 'B', 'C', 'B')
datestamp <- as.Date(c('2016-06-20','2016-07-16','2016-08-14','2016-07-17'
                       ,'2016-07-18','2016-07-19','2016-07-16','2016-07-19'
                       , '2016-07-21','2016-08-20'))
df <- data.frame(id, type, datestamp)

产生：

> df
   id type  datestamp
1   1    A 2016-06-20
2   1    A 2016-07-16
3   1    B 2016-08-14
4   2    A 2016-07-17
5   2    B 2016-07-18
6   2    C 2016-07-19
7   3    A 2016-07-16
8   3    B 2016-07-19
9   3    C 2016-07-21
10  3    B 2016-08-20

每当事件 'B' 发生时，我想知道在该 B 事件之前但在该 ID 的任何其他 B 事件之后发生的每种事件类型的数量。我想要结束的是 table 这样的：

  id type B_instance count
1  1    A          1     2
2  2    A          1     1
3  3    A          1     1
4  3    C          2     1

在研究中，这个问题最接近：summarizing a field based on the value of another field in dplyr

我一直在努力完成这项工作：

  df2 <- df %>%
  group_by(id, type) %>%
  summarize(count = count(id[which(datestamp < datestamp[type =='B'])])) %>%
  filter(type != 'B')

但它会出错（此外，即使它有效，它也不会解释同一 ID 中的 2 个 'B' 事件，例如 id=3）

Answer 1

您可以使用 cumsum 通过执行 cumsum(type == "B") 创建新的组变量 B_instance 然后过滤掉落后于最后一个 B 的类型以及类型 B 本身，因为他们不会被计算在内。然后使用 count 来计算 id, B_instance 和 type.

组的出现次数

df %>% 
       group_by(id) %>% 
       # create B_instance using cumsum on the type == "B" condition
       mutate(B_instance = cumsum(type == "B") + 1) %>%    
       # filter out rows with type behind the last B and all B types                 
       filter(B_instance < max(B_instance), type != "B") %>% 
       # count the occurrences of type grouped by id and B_instance
       count(id, type, B_instance) 

# Source: local data frame [4 x 4]
# Groups: id, type [?]

#       id   type B_instance     n
#   <fctr> <fctr>      <dbl> <int>
# 1      1      A          1     2
# 2      2      A          1     1
# 3      3      A          1     1
# 4      3      C          2     1

Answer 2

这是一个使用 data.table 的选项。我们将 'data.frame' 转换为 'data.table' （setDT(df)，按 'id' 分组，我们得到 max 位置的序列，其中 'type' 是 'B'，找到行索引 (.I)，提取该列 ($V1)。然后，我们对数据集进行子集化 (df[i1])，删除 'type' 所在的行是 'B'，按 'id'、'type' 和 'type' 的 rleid 分组，我们得到的行数为 'count'。

library(data.table)
i1 <- setDT(df)[, .I[seq(max(which(type=="B")))] , by = id]$V1
df[i1][type!="B"][,  .(count = .N), .(id, type, B_instance = rleid(type))]
#   id type B_instance count
#1:  1    A        1     2
#2:  2    A        1     1
#3:  3    A        1     1
#4:  3    C        2     1

根据日期对 dplyr 中的组进行条件汇总

Conditional summarize of groups in dplyr based on date

r

dplyr

summarize