dplyr::filter() 基于 dplyr::lag() 而不会丢失第一个值

dplyr::filter() based on dplyr::lag() without losing first values

当我根据 lag() 函数过滤数据集时,我丢失了每组中的第一行(因为这些行没有滞后值)。我怎样才能避免这种情况,以便在没有任何滞后值的情况下保留第一行?

ds <- 
  structure(list(mpg = c(21, 21, 21.4, 18.7, 14.3, 16.4), cyl = c(6, 
  6, 6, 8, 8, 8), hp = c(110, 110, 110, 175, 245, 180)), class = c("tbl_df", 
  "tbl", "data.frame"), row.names = c(NA, -6L), .Names = c("mpg", 
  "cyl", "hp"))

# example of filter based on lag that drops first rows
ds %>% 
  group_by(cyl) %>% 
  arrange(-mpg) %>% 
  filter(hp <= lag(hp))

filter(hp <= lag(hp)) 会排除 lag(hp)NA 的行。您可以过滤 either 不等式 lag(hp),每个组的顶部行就是这种情况。

我包含 prev = lag(hp) 来为滞后创建一个独立变量,只是为了清楚和调试。

library(tidyverse)

ds %>%
    group_by(cyl) %>%
    arrange(-mpg) %>%
    mutate(prev = lag(hp)) %>%
    filter(hp <= prev | is.na(prev))

这产生:

# A tibble: 4 x 4
# Groups:   cyl [2]
    mpg   cyl    hp  prev
  <dbl> <dbl> <dbl> <dbl>
1  21.4    6.  110.   NA 
2  21.0    6.  110.  110.
3  21.0    6.  110.  110.
4  18.7    8.  175.   NA 

由于 OP 打算使用 <=(小于或等于)之前的值,因此使用 lagdefault = +Inf 就足够了。

此外,不需要在 dplyr 链中单独调用 arrange,因为 lag 为 select order_by.[=19 提供了选项=]

因此,解可以写成:

ds %>% 
  group_by(cyl) %>% 
  filter(hp <= lag(hp, default = +Inf, order_by = -mpg))

#Below result is in origianl order of the data.frame though lag was calculated 
#in ordered value of mpg
# # A tibble: 4 x 3
# # Groups: cyl [2]
#     mpg   cyl    hp
#    <dbl> <dbl> <dbl>
# 1  21.0  6.00   110
# 2  21.0  6.00   110
# 3  21.4  6.00   110
# 4  18.7  8.00   175