通过根据条目和变量值之间传递的时间量创建唯一 ID 列来对数据帧行进行分组

Question

当相同的变量以固定的日期间隔出现时，我试图将我的数据框的行分组到“课程”中。当时间频率出现差距或其中一个变量发生变化时，我想给它一个新的课程 ID。

举个例子，我的数据是这样的：

         Date     Name   Item
1  2018-06-02    Johan  Apple
2  2018-07-05    Johan  Apple
3  2018-08-02    Johan  Apple
4  2019-04-15    Johan  Apple
5  2019-05-15    Johan  Apple
6  2019-05-30 Samantha Orange
7  2019-06-12 Samantha Orange
8  2019-06-27 Samantha Orange
9  2018-02-15     Mary  Lemon
10 2018-04-10     Mary  Lemon
11 2018-06-12     Mary  Lemon
12 2018-08-13     Mary   Lime
13 2018-08-27     Mary   Lime
14 2017-03-09   George   Kiwi

Name 和 Item 的每个不同组合都应该生成一个新的课程 ID。

但是（棘手的部分）如果两个交易之间存在显着的时间差距，而其他变量是常数，则定义为：超过 6月 或 对于 Item 和 Name 那么应该给它一个新的 CourseID

在我的例子中：

因为 Johan 在 2018 年 8 月之后休息，之后的交易应该有一个新的 CourseID。理想情况下，检查未来休息时间的间隔将基于这个新组的平均值。

萨曼莎每两周购买一次橙子，没有明显的缺口，因此她的所有交易都会有一个 CourseID。

Mary 定期购买柠檬，但随后转为定期购买酸橙，因此这些有两个 CourseIDs。

George 刚买了一个 Kiwi，所以一个 CourseID

重现代码：

data.frame(Date = as.Date(c("2018-06-02", "2018-07-05", "2018-08-02", "2019-04-15", "2019-05-15", "2019-05-30", "2019-06-12", "2019-06-27", "2018-02-15", "2018-04-10", "2018-06-12", "2018-08-13", "2018-08-27", "2017-03-09")), Name = c(rep("Johan", 5), rep("Samantha", 3), rep("Mary", 5), "George"), Item = c(rep("Apple", 5), rep("Orange", 3), rep("Lemon", 3), rep("Lime",2), "Kiwi"))

我想创建一个额外的列，为每门课程提供唯一标识符 - 即使用 stringi 或类似的。

理想情况下输出应该是这样的：

Date Name Item CourseID 1 2018-06-02 Johan Apple q3J 2 2018-07-05 Johan Apple q3J 3 2018-08-02 Johan Apple q3J 4 2019-04-15 Johan Apple f8j 5 2019-05-15 Johan Apple f8j 6 2019-05-30 Samantha Orange p8U 7 2019-06-12 Samantha Orange p8U 8 2019-06-27 Samantha Orange p8U 9 2018-02-15 Mary Lemon wi9 10 2018-04-10 Mary Lemon wi9 11 2018-06-12 Mary Lemon wi9 12 2018-08-13 Mary Lime q8U 13 2018-08-27 Mary Lime q8U 14 2017-03-09 George Kiwi jJ0

我试过使用 max/min 日期变量来解决这个问题，但是当我根据之前的购买模式识别中断时，我感到很困惑。

可能有一个我不知道哪个包有这方面的东西，但是到目前为止我一直在尝试使用 Tidyverse。

Answer 1

这是一种 dplyr 方法，它计算每个 Name/Item 组内的差距和滚动平均差距，然后标记较大的差距，并为每个较大的差距或名称或项目的变化分配一个新组。

df1 %>%
  group_by(Name,Item) %>%
  mutate(purch_num = row_number(),
         time_since_first = Date - first(Date),
         gap = Date - lag(Date, default = as.Date(-Inf)),
         avg_gap = time_since_first / (purch_num-1),
         new_grp_flag = gap > 180 | gap > 3*avg_gap) %>%
  ungroup() %>%
  mutate(group = cumsum(new_grp_flag))

通过根据条目和变量值之间传递的时间量创建唯一 ID 列来对数据帧行进行分组

Group dataframe rows by creating a unique ID column based on the amount of time passed between entries and variable values

r

dplyr

tidyverse

rolling-computation