如何（有效地）从访问过的地方列表中构建边缘列表？

Question

我原来的data.table由三列组成。
site、observation_number和id。

例如以下是 id = z 的所有观察结果

|site|observation_number|id
|a   |                 1| z                 
|b   |                 2| z
|c   |                 3| z

这意味着 ID z 已从 a 移动到 b 到 c。

每个 ID 没有固定数量的网站。

我希望将数据转换为这样的边缘列表

|from |to||id|
|a    | b| z |
|b    | c| z |

模拟数据

sox <- data.table(site =  c('a','b','c','a','c','c','a','d','e'),
       obsnum =c(1,2,3,1,2,1,2,3,4),
       id     =c('z','z','z','y','y','k','k','k','k'))

我目前这样做的方式令人费解并且非常缓慢（sox 有 1.5 mio 行，dt_out 有 ca. 7.5 mio. rows）。 我基本上使用observation_number 上的 for 循环将数据拆分为每个 ID 仅存在一次的块（即 - 只有一个旅程，从 - 从）。 然后我投射数据，并将所有块剥离到一个新的 data.table 中。

dt_out <- data.table()
maksimum = sox[,max(observation_number)]
for (i in 1:maksimum-1) {
  i=1
  mini = i
  maxi = i+1
  sox_t <- sox[observation_number ==maxi | observation_number ==mini, ]
  temp_dt <- dcast(sox_t[id %in% sox_t[, .N, by = id][N>=2]$id,
                             .SD[, list(site, observation_number, a=rep(c('from', 'to')))] ,by=id],
                       id='id', value.var='site', formula=id~a)
  dt_out <- rbind(dt_out, temp_dt)
  i=max
  }

我希望有人可以帮我优化这个，最好创建一个函数，我可以在其中输入 data.table、站点 id、observationnumber id 和 id。出于某种原因，无论如何我都无法创建函数。

更新

使用系统时间（并运行几次系统时间）：

                             User - System - Elapsed
make_edgelist (data.table):  5.38     0.00      5.38
Data.table. with shift:     13.96     0.06     14.08 
dplyr, with arrange:         6.06     0.36      6.44

附言make_edgelist 已更新为对 data.table 进行排序

make_edgelist <- function(DT, site_var = "site", id_var = "id", obsnum_var   = "rn1") {
    DT[order(get(obsnum_var)),
    list(from = get(site_var)[-.N], to = get(site_var)[-1]), by = id_var]
}

我很惊讶 dplyr（使用 lead）几乎与 make_edgelist 一样快，并且比使用 shift 的 data.table 快得多。我想这意味着 dplyr 实际上会在更复杂的领先/滞后/移位时更快。

我也觉得它令人费解 - 但不知道它是否有任何意义，dplyr 使用的“系统”时间比两个 data.table 解决方案中的任何一个都多。

输入数据：150 万行。 结果：60 万行。

Answer 1

dplyr，你可以试试：

sox %>%
 group_by(id) %>%
 transmute(from = site,
           to = lead(from)) %>%
 na.omit()

  id    from  to   
  <chr> <chr> <chr>
1 z     a     b    
2 z     b     c    
3 y     a     c    
4 k     c     a    
5 k     a     d    
6 k     d     e    

正如@Sotos 所说，先整理数据可能很有用：

sox %>%
 arrange(id, obsnum) %>%
 group_by(id) %>%
 transmute(from = site,
           to = lead(from)) %>%
 na.omit()

Answer 2

这是你要找的吗？

sox[, .(from = site[-.N], to = site[-1]), by = id]

#    id from to
# 1:  z    a  b
# 2:  z    b  c
# 3:  y    a  c
# 4:  k    c  a
# 5:  k    a  d
# 6:  k    d  e

封装在一个函数中：

make_edgelist <- function(DT, site_var = "site", id_var = "id") {
  DT[, .(from = get(site_var)[-.N], to = get(site_var)[-1]), by = id_var]
}

注意：此解决方案假定数据已按观察编号排序。为避免这种假设，请在第一个逗号前添加 order(obsnum)。

Answer 3

使用data.table，如果它比上面的dplyr 解决方案更快，你有：

sox <- sox[order(id, obsnum)]
sox[, from := shift(site), by = "id"]
sox <- sox[!is.na(from)]
setnames(sox, "site", "to")
sox[, obsnum := NULL]
setcolorder(sox, c("id", "from", "to"))
sox
#>    id from to
#> 1:  k    c  a
#> 2:  k    a  d
#> 3:  k    d  e
#> 4:  y    a  c
#> 5:  z    a  b
#> 6:  z    b  c