R data.table：根据其他列的值标记连续值的“身份”？

Question

我有以下data.table（它要大得多，但这显示了这种结构）

library(data.table)

dt = data.table(first_column = c("A", "B", "B", "B", "C", "A", "A", "A", "D", "B", "A", "A"), second_column =c(0, 1, 1, 1, 0, 0, 0, 1, 1, 1, 1, 0))

> dt
    first_column second_column
 1:            A             0
 2:            B             1
 3:            B             1
 4:            B             1
 5:            C             0
 6:            A             0
 7:            A             0
 8:            A             1
 9:            D             1
10:            B             1
11:            A             1
12:            A             0
....

生成的 data.table 应该如下所示：

  first_column  second_column    identity    percent
0             A              0           0          0
1             B              1          AB        1.0
2             B              1          AB        1.0
3             B              1          AB        1.0
4             C              0           0          0
5             A              0           0          0
6             A              0           0          0
7             A              1       mixed       0.75  # 3/4, 3-AB, 4-total
8             D              1       mixed       0.75
9             B              1       mixed       0.75
10            A              1       mixed       0.75
11            A              0           0          0 
....

first_column 列具有 A、B、C 和 D 行的每一行。在第二列中，有一个表示一组值的二进制标签。所有连续的 1 分组都是唯一的“组”，例如第 1-3 行是一组，第 7-10 行是另一组。

我想通过“AB”（该组仅由 A 或 B 组成）、“CD”（该组仅由 C 或 D 组成）或“标记”这些组中的每一个混合”（如果有混合物，例如所有 B 和一个 C）。了解这些分组中的一些“如何”与百分比混合也很有用，即 AB 在总标签中的百分比。如果只有A或B，标识应该是AB。如果只有 C 或 D，标识应该是 CD。它是 A、B、C 和/或 D 的混合物，然后将其混合。百分比是（AB 行数）/（总行数）

对于identity 列，我怀疑可以使用ifelse() 语句，例如

dt$identity = ifelse( ((dt$second_column == 1) & (dt$first_column == "A") & (dt$first_column == "B") & (dt$first_column != "C") & (dt$first_column != "D")), "AB", 0)   

dt$identity = ifelse( ((dt$second_column == 1) & (dt$identity != "AB") & (dt$first_column == "C") & (dt$first_column == "D") & (dt$first_column != "A") & (dt$first_column != "B")), "CD", 0)  

但我在定义“混合大小写”时遇到了逻辑上的ifelse() 困难。我也完全不确定如何衡量 AB/所有行的百分比。

Answer 1

您可以使用rleid 和data.table 来获得您想要的。我使用rleid 获取分组变量，然后根据每个组的条件创建身份和百分比变量。感谢@DavidArenburg 的建议！

dt[,c("identity", "percent") := list(if(all(first_column == "A") | all(first_column == "B")) "AB"
                                      else if (all(first_column == "C") | all(first_column == "D")) "CD"
                                      else "mixed", sum(first_column %in% c("A","B")) / .N), by =  rleid(second_column)]
dt[second_column==0, c("identity","percent") := list("0", 0)]

dt
 #       first_column second_column identity percent
 #1:            A             0        0    0.00
 #2:            B             1       AB    1.00
 #3:            B             1       AB    1.00
 #4:            B             1       AB    1.00
 #5:            C             0        0    0.00
 #6:            A             0        0    0.00
 #7:            A             0        0    0.00
 #8:            A             1    mixed    0.75
 #9:            D             1    mixed    0.75
#10:            B             1    mixed    0.75
#11:            A             1    mixed    0.75
#12:            A             0        0    0.00

你可以链接调用，但我没有为了可读性。