使用 data.table 索引序列块

Question

假设我有一个数据集，其中长度为 1 的序列是非法的，长度为 2 的序列是合法的，长度大于 5 的序列是非法的，但允许将较长的序列分成 <=5 个序列。

set.seed(1)
DT1 <- data.table(smp = 1, R=sample(0:1, 20000, rep=TRUE), Seq = 0L)
DT1[, smp:=1:length(smp)]
DT1[, Seq:=seq(.N), by=list(cumsum(c(0, abs(diff(R)))))]

最后一行直接来自： Creating a sequence in a data.table depending on a column

DT1[, fix_min:=ifelse((R==TRUE & Seq==1) | (R==FALSE), FALSE, TRUE)]
fixmin_idx2 <- which(DT1[, fix_min==TRUE])
DT1[fixmin_idx2 -1, fix_min:=TRUE]

现在我的长度为 2 的法律已正确标记。打破>5s。

DT1[R==1 & Seq==6, fix_min:=FALSE]
DT1[,Seq2:=seq(.N), by=list(cumsum(c(0, abs(diff(fix_min)))))]
DT1[R==1 & Seq2==6, fix_min:=FALSE]
fixSeq2_idx7 <- which(DT1[,fix_min==TRUE] & DT1[,Seq2==7])
fixSeq2_idx7
[1] 10203 13228
DT1[fixSeq2_idx7,]
 smp R Seq fix_min Seq2
1: 10203 1  13    TRUE    7
2: 13228 1  13    TRUE    7
DT1[fixSeq2_idx7 + 1,]
 smp R Seq fix_min Seq2
1: 10204 1  14    TRUE    8
2: 13229 0   1   FALSE    1

现在要测试 Seq2==7 后面是否跟着 Seq2==8，这将是合法的 2 长度。我一个 7 后跟一个 8，一个不跟一个 8。我就卡在那里了。我尝试过的一切要么将所有 fix_min 设置为 TRUE，要么将 TRUE 和 FALSE 交替设置。

非常感谢任何指导。

Answer 1

如果我对你的问题理解正确，你想在 R == 0 或 R == 1 & (1 =< Seq < 6 | Seq > 6) 时将 fix_min 设置为 FALSE。然后下面应该给你你想要的：

# recreating the data from your first code block
set.seed(1)
DT1 <- data.table(R=sample(0:1, 20000, rep=TRUE))[, smp:=.I
                                                  ][, Seq:=seq(.N), by=rleid(R)
                                                    ][, Seq2 := Seq[.N], by=rleid(R)]

# adding the needed 'fix_min' column
DT1[, fix_min := (R==1 & Seq[.N] > 1 & Seq%%6!=0), by=rleid(R)
    ][R==1 & Seq%%6==1 & Seq2%%6==1 & Seq==Seq2, fix_min := FALSE]

解释:

data.table(R=sample(0:1, 20000, rep=TRUE)) 创建 data.table
[, smp:=.I] 创建一个索引并将其添加到 data.table
by=rleid(R) 标识序列；看看它做了什么尝试：data.table(R=sample(0:1, 20000, rep=TRUE))[, seq.id:=rleid(R)]
[, Seq:=seq(.N), by=rleid(R)] 为每个序列创建一个索引并将其添加到 data.table;序列由 rleid(R)
[, Seq2 := Seq[.N], by=rleid(R)] 创建一个变量，其中包含一个指示序列长度的值
fix_min := (R==1 & Seq[.N] > 1 & Seq%%6!=0) 创建一个具有 TRUE 值的逻辑向量，其中 R==1 & 序列的长度大于 1 (Seq[.N] > 1)，不包括序列所在的值数字是 6 (Seq%%6!=0)
R==1 & Seq%%6==1 & Seq2%%6==1 & Seq==Seq2 按如下方式过滤 data.table：仅包含 R==1 且序列值为 7 的行，13, 19, etc (Seq%%6==1) & 序列的长度为 7, 13, 19, etc 只选择最后一个从满足其他条件的序列中提取行 (Seq==Seq2)。使用 fix_min := FALSE，您将它们设置为 FALSE。

使用 data.table 索引序列块

Indexing sequence chunks using data.table

indexing

r

sequence

chunks

data.table