Select 每个连续 运行 组的第一行
Select first row in each contiguous run by group
我有按 'ID' 分组的数据。每个 'ID' 在不同的日期有不同的药物。在 'drug' 的每个连续 运行 中，我只想保留第一行。这应该按组完成，即在每个 'ID' 内完成。数据中显示了两个示例：
ID date drug
1 01/01/2020 A # first row in run 1 of 'A' for ID 1: keep
1 07/01/2020 A # 2nd row in run 1 of 'A' for ID 1: drop
1 09/01/2020 B
1 15/01/2020 A
2 01/02/2020 C
2 13/02/2020 D
2 17/02/2020 C # first row in run 2 of 'C' of ID 2: keep
2 18/03/2020 C # 2nd row in run 2 of 'C' of ID 2: drop
2 19/03/2020 E
期望的输出：
ID date drug
1 01/01/2020 A
1 09/01/2020 B
1 15/01/2020 A
2 01/02/2020 C
2 13/02/2020 D
2 17/02/2020 C
2 19/03/2020 E
我已经尝试了以下方法，但我无法使它起作用，因为它会删除那些来自同一组但稍后出现的药物，例如它会在 2020 年 1 月 15 日、2020 年 2 月 17 日和 2020 年 3 月 18 日下降，因为它只需要按组进行第一次观察。
df_selection <- df %>%
group_by(ID) %>%
arrange(ID,date) %>%
group_by(ID, drug) %>%
slice(1L) %>%
arrange(ID,date)
我尝试了很多组合，但我无法使它起作用。非常感谢您的帮助！
另一个例子来演示一个 'ID' 中的最后一个 'drug' 与下一个 'ID' 中的第一个相同的情况，这里是药物 'B'：
ID date drug
1 01/01/2020 A
1 07/01/2020 A
1 09/01/2020 B # first row in a run of 'B' for ID 1: keep
1 15/01/2020 B # 2nd row in a run of 'B' for ID 1: drop
2 01/02/2020 B # first row in a run of 'B' for ID 2: keep
2 13/02/2020 B # 2nd: drop
2 17/02/2020 B # 3rd: drop
2 18/03/2020 E
2 19/03/2020 E
使用data.table：
setDT(df)[rowid(rleid(drug)) == 1]
# ID date drug
# 1: 1 01/01/2020 A
# 2: 1 09/01/2020 B
# 3: 1 15/01/2020 A
# 4: 2 01/02/2020 C
# 5: 2 13/02/2020 D
# 6: 2 17/02/2020 C
# 7: 2 19/03/2020 E
如果 'drug' 的运行应考虑 在 内，每个 'ID' 我们需要...
df[rowid(rleid(ID, drug)) == 1]
...处理以下情况：
ID date drug
1: 1 01/01/2020 A
2: 1 07/01/2020 A
3: 1 09/01/2020 B
4: 1 15/01/2020 B # This 'B' belongs to 2nd run in ID 1
5: 2 01/02/2020 B # This 'B' belongs to 1st run in ID 2
6: 2 13/02/2020 B
7: 2 17/02/2020 B
8: 2 18/03/2020 E
9: 2 19/03/2020 E
df %>% filter(drug != lag(drug, default = ""))
或者，如果您想为一个 ID 保留药物的首次出现，即使它与先前 ID 的最后一种药物相匹配（例如，假设 ID2 的第一种药物是 A，因此我们想保留它。）：
df %>%
filter(drug != lag(drug, default = "") |
ID != lag(ID, default = 0))
将 base R 与 rle
结合使用
subset(df, with(rle(drug), !duplicated(rep(seq_along(values), lengths))))
希望此代码适用于您的一般情况
> subset(df, sequence(rle(drug)$lengths) == 1)
ID date drug
1 1 01/01/2020 A
3 1 09/01/2020 B
4 1 15/01/2020 A
5 2 01/02/2020 C
6 2 13/02/2020 D
7 2 17/02/2020 C
9 2 19/03/2020 E
我有按 'ID' 分组的数据。每个 'ID' 在不同的日期有不同的药物。在 'drug' 的每个连续 运行 中，我只想保留第一行。这应该按组完成，即在每个 'ID' 内完成。数据中显示了两个示例：
ID date drug
1 01/01/2020 A # first row in run 1 of 'A' for ID 1: keep
1 07/01/2020 A # 2nd row in run 1 of 'A' for ID 1: drop
1 09/01/2020 B
1 15/01/2020 A
2 01/02/2020 C
2 13/02/2020 D
2 17/02/2020 C # first row in run 2 of 'C' of ID 2: keep
2 18/03/2020 C # 2nd row in run 2 of 'C' of ID 2: drop
2 19/03/2020 E
期望的输出：
ID date drug
1 01/01/2020 A
1 09/01/2020 B
1 15/01/2020 A
2 01/02/2020 C
2 13/02/2020 D
2 17/02/2020 C
2 19/03/2020 E
我已经尝试了以下方法，但我无法使它起作用，因为它会删除那些来自同一组但稍后出现的药物，例如它会在 2020 年 1 月 15 日、2020 年 2 月 17 日和 2020 年 3 月 18 日下降，因为它只需要按组进行第一次观察。
df_selection <- df %>%
group_by(ID) %>%
arrange(ID,date) %>%
group_by(ID, drug) %>%
slice(1L) %>%
arrange(ID,date)
我尝试了很多组合，但我无法使它起作用。非常感谢您的帮助！
另一个例子来演示一个 'ID' 中的最后一个 'drug' 与下一个 'ID' 中的第一个相同的情况，这里是药物 'B'：
ID date drug
1 01/01/2020 A
1 07/01/2020 A
1 09/01/2020 B # first row in a run of 'B' for ID 1: keep
1 15/01/2020 B # 2nd row in a run of 'B' for ID 1: drop
2 01/02/2020 B # first row in a run of 'B' for ID 2: keep
2 13/02/2020 B # 2nd: drop
2 17/02/2020 B # 3rd: drop
2 18/03/2020 E
2 19/03/2020 E
使用data.table：
setDT(df)[rowid(rleid(drug)) == 1]
# ID date drug
# 1: 1 01/01/2020 A
# 2: 1 09/01/2020 B
# 3: 1 15/01/2020 A
# 4: 2 01/02/2020 C
# 5: 2 13/02/2020 D
# 6: 2 17/02/2020 C
# 7: 2 19/03/2020 E
如果 'drug' 的运行应考虑 在 内，每个 'ID' 我们需要...
df[rowid(rleid(ID, drug)) == 1]
...处理以下情况：
ID date drug
1: 1 01/01/2020 A
2: 1 07/01/2020 A
3: 1 09/01/2020 B
4: 1 15/01/2020 B # This 'B' belongs to 2nd run in ID 1
5: 2 01/02/2020 B # This 'B' belongs to 1st run in ID 2
6: 2 13/02/2020 B
7: 2 17/02/2020 B
8: 2 18/03/2020 E
9: 2 19/03/2020 E
df %>% filter(drug != lag(drug, default = ""))
或者，如果您想为一个 ID 保留药物的首次出现，即使它与先前 ID 的最后一种药物相匹配（例如，假设 ID2 的第一种药物是 A，因此我们想保留它。）：
df %>%
filter(drug != lag(drug, default = "") |
ID != lag(ID, default = 0))
将 base R 与 rle
subset(df, with(rle(drug), !duplicated(rep(seq_along(values), lengths))))
希望此代码适用于您的一般情况
> subset(df, sequence(rle(drug)$lengths) == 1)
ID date drug
1 1 01/01/2020 A
3 1 09/01/2020 B
4 1 15/01/2020 A
5 2 01/02/2020 C
6 2 13/02/2020 D
7 2 17/02/2020 C
9 2 19/03/2020 E