R - 仅对最近的整数进行模糊连接

Question

假设我有这个数据集开始，在这个愚蠢的布局中：

originalDF <- data.frame(
  Index = 1:14,
  Field = c("Name",     "Weight",   "Age",  "Name",     "Weight",   "Age",  "Height",   "Name",     "Weight",   "Age",  "Height",   "Name",     "Age",  "Height"),
  Value = c("Sara",     "115",  "17",   "Bob",  "158",  "22",   "72",   "Irv",  "210",  "42",   "68",   "Fred",     "155",  "65")
  )

我希望它看起来像这样：

基本上，我想将体重、年龄和身高行与其上方的姓名行相匹配。使用 dplyr:

很容易拆分数据

namesDF <- originalDF %>%
  filter(Field == "Name")

detailsDF <- originalDF %>%
  filter(!Field == "Name")

从这里开始，使用索引（行号）似乎是最好的方法，即将 detailsDF 中的每一行与 namesDF 中具有最接近索引的条目相匹配，而无需越过。我使用了 fuzzyjoin 包并加入了

fuzzy_left_join(detailsDF, namesDF, by = "Index", match_fun = list(`>`))

这种类型的有效，但它也将detailsDF中的每一行与namesDF中的每一行连接起来，索引号较小：

我想出了一个解决方案，使用到下一个索引的距离并以这种方式过滤掉多余的行，但我想避免这样做；实际的源文件将超过 200k 行，而带有额外行的临时结果数据帧将太大而无法放入内存。有什么我可以在这里做的吗？谢谢！

Answer 1

您可以使用

x = which(originalDF$Field == "Name")
originalDF$Name = rep(originalDF$Value[x], times = diff(c(x, NROW(originalDF)+1)))
NewDF = originalDF[originalDF$Field != 'Name', c(4,2,3)]
#    Name  Field Value
# 2  Sara Weight   115
# 3  Sara    Age    17
# 5   Bob Weight   158
# 6   Bob    Age    22
# 7   Bob Height    72
# 9   Irv Weight   210
# 10  Irv    Age    42
# 11  Irv Height    68
# 13 Fred    Age   155
# 14 Fred Height    65

Answer 2

我建议以不同的方式处理它，即跟踪每个点的最新 "Name" 值。 tidyr 包中的 fill() 对此很有用。

library(dplyr)
library(tidyr)

originalDF %>%
  mutate(Name = ifelse(Field == "Name", as.character(Value), NA)) %>%
  fill(Name) %>%
  filter(Field != "Name")

输出：

   Index  Field Value Name
1      2 Weight   115 Sara
2      3    Age    17 Sara
3      5 Weight   158  Bob
4      6    Age    22  Bob
5      7 Height    72  Bob
6      9 Weight   210  Irv
7     10    Age    42  Irv
8     11 Height    68  Irv
9     13    Age   155 Fred
10    14 Height    65 Fred

但是，如果您确实想使用 fuzzyjoin 方法，您可以在结果上使用 group_by() 和 slice() 来实现此目的，其中您为每个 [=17 的值获取最后一行=].

fuzzy_left_join(detailsDF, namesDF, by = "Index", match_fun = list(`>`)) %>%
  group_by(Index.x) %>%
  slice(n()) %>%
  ungroup()

输出：

# A tibble: 10 x 6
   Index.x Field.x Value.x Index.y Field.y Value.y
     <int> <fct>   <fct>     <int> <fct>   <fct>  
 1       2 Weight  115           1 Name    Sara   
 2       3 Age     17            1 Name    Sara   
 3       5 Weight  158           4 Name    Bob    
 4       6 Age     22            4 Name    Bob    
 5       7 Height  72            4 Name    Bob    
 6       9 Weight  210           8 Name    Irv    
 7      10 Age     42            8 Name    Irv    
 8      11 Height  68            8 Name    Irv    
 9      13 Age     155          12 Name    Fred   
10      14 Height  65           12 Name    Fred

Answer 3

您可以按 cumsum(Field == "Name") 分组。使用 dplyr...

library(dplyr) 
originalDF %>% 
  group_by(Name = Value[Field == "Name"][cumsum(Field == "Name")]) %>%
  slice(-1) %>% select(c("Name", "Field", "Value"))

# A tibble: 10 x 3
# Groups:   Name [4]
   Name  Field  Value
   <fct> <fct>  <fct>
 1 Bob   Weight 158  
 2 Bob   Age    22   
 3 Bob   Height 72   
 4 Fred  Age    155  
 5 Fred  Height 65   
 6 Irv   Weight 210  
 7 Irv   Age    42   
 8 Irv   Height 68   
 9 Sara  Weight 115  
10 Sara  Age    17

与data.table...

library(data.table)
data.table(originalDF)[, 
  .SD[-1], 
by=.(Name = Value[Field == "Name"][cumsum(Field == "Name")]), .SDcols=c("Field", "Value")]

R - 仅对最近的整数进行模糊连接

R - fuzzy join on nearest integer only

r

dplyr

fuzzyjoin