更简洁地定义行序列的索引答案

【问题标题】：Defining indices for row sequences more succintly更简洁地定义行序列的索引
【发布时间】：2021-09-07 02:08:22
【问题描述】：

我有一个这样的数据框：

set.seed(123)
df <- data.frame(A = sample(LETTERS[1:5], 50, replace = TRUE), 
                 B = sample(LETTERS[1:5], 50, replace = TRUE))

我想根据两个参数过滤数据框：(i) target 符合特定条件的行和 (ii) 目标行之前的特定行数。具体来说，我想过滤 A == "A" & B == "A" 的行以及目标行之前的五行。我可以通过两步操作来做到这一点：首先定义一个函数，然后将函数用作slice 的输入：

Sequ <- function(col1, col2) {
  # get row indices of target row with function `which`
  inds <- which(col1 == "A" & col2 == "A") 
  # sort row indices of the rows before target row AND target row itself
  sort(unique(c(inds-5, inds-4, inds-3,inds-2, inds-1, inds)))
}

library(dplyr)
df %>%
  slice(Sequ(col1 = A, col2 = B))
   A B
1  D C
2  D B
3  C B
4  C D
5  B B
6  A A
7  E B
8  E D
9  D C
10 D D
11 A A
12 C C
13 D E
14 B E
15 B E
16 B A
17 A A
18 C D
19 C B
20 B D
21 A B
22 A A

但肯定有一个更有效的替代这部分：sort(unique(c(inds-5, inds-4, inds-3,inds-2, inds-1, inds)))。如果我不仅要过滤前面的 5 行，而且要过滤 10 或 100 行，这种单独定义每个索引的方式很快就会变得不切实际.这部分如何编码更经济？

【问题讨论】：

那么，要明确的是，这两者中的哪一个适用？是不是 (1) 您想要过滤数据集以包含符合条件 (A == "A" & B == "A") 的那些行，然后还包括紧接在每个此类行之后的 5 行。或者 (2) 您想过滤数据集以仅包含 (a) 符合条件且 (b) 前面有 5 行也符合条件的行？
只是选项（1）...
明白了，谢谢！据推测，如果一个匹配的前 5 行与另一匹配的前 5 行重叠，您不希望重复。
给定n <- 5，您可以使用data.table 进行滚动连接，全部在一行中：setkey(df[, row := .I], row)[A == "A" & B == "B"][setkey(df[, row := .I], row), roll = -n, nomatch = 0]。结果字段需要清理，但是i.A中的数据| i.B | ...应该是你想要的。

标签： r dplyr indices

【解决方案1】：

1) 定义bothA，它接受一个矩阵，如果任何一行都是A，则返回TRUE。然后使用 rollapply 将其应用为移动窗口。

library(zoo)

bothA <- function(x) any(rowSums(rbind(x) == "A") == 2)
ok <- rollapply(df, 6, bothA, align = "left", partial = TRUE, by.column = FALSE)
df[ok, ]

2)或在管道中

df %>% 
  filter(rollapply(., 6, bothA, align = "left", partial = TRUE, by.column = FALSE))

3) 这也有效：

ok <- rollapply(rowSums(df == "A") == 2, 6, any, align = "left", partial = TRUE)
df[ok, ]

【讨论】：

很好，谢谢。问题是解决方案很大程度上依赖于A == "A" & B == "A" 的仅说明性条件。在实际数据中，条件可能更加多样和复杂。问题的重点是如何更有效地对索引序列进行编码。
不是这样。这是完全一般的。 bothA 可以替换为任意函数。
好的，我明白了。（这就是我投票赞成答案的原因。）所以假设我保留我的函数名为 Sequ，我怎么能使用 rollaplly 呢？
我认为大部分问题在于 Sequ 不是一个理想的。您想为每一行生成一个真或假，而不是一堆难以处理的索引。改用bothA或用其他东西代替它，但保持相同的理念。

【解决方案2】：

dplyr 和 purrr 的一个解决方案可能是：

df %>%
 filter(!row_number() %in% unlist(map(which(A == "A" & B == "A"), ~ (.x-5):.x)))

【讨论】：

【解决方案3】：

这里有dplyr的解决方案，可以直接在管道中使用，不需要filter。

Sequ <- function(x, col1, col2, value = "A"){
  x %>%
    mutate(grp = lag(cumsum({{col1}} == value & {{col2}} == value), default = 0)) %>%
    group_by(grp) %>%
    slice_tail(n = 5) %>%
    ungroup() %>%
    select(-grp)
}

df %>% Sequ(A, B)
## A tibble: 23 x 2
#   A     B    
#   <chr> <chr>
# 1 B     D    
# 2 C     C    
# 3 E     A    
# 4 D     B    
# 5 A     A    
# 6 C     D    
# 7 E     E    
# 8 C     E    
# 9 C     C    
#10 A     A    
## … with 13 more rows

【讨论】：