查找向量的相似元素并修改其间的所有内容

Question

我有一个大数据框 (df)，其二项式值范围为 1 到 2。数据中也包含 NA。作为一个实际示例，我将创建一个包含用户数据子集的短向量：

df <- c(NA,NA,2,1,1,1,2,1,2,2,1,1,1,NA,2,2,1,2,1,1,1,2)

我基本上想要的结果是一个函数，它搜索数组的第一个和第二个2s，并将此间隔内的所有内容转换为 2。不过，如果第二个位置之间的差异并且前 2 个 > 3 然后值保持原样并且不执行任何更改。

除上述之外，该函数还必须为df 的每个值循环。例如，再次考虑以下情况：

df <- c(NA,NA,2,1,1,1,2,1,2,2,1,1,1,NA,2,2,1,2,1,1,1,2)

函数应该有这样的结果：

df_outcome <- c(NA,NA,2,1,1,1,2,2,2,2,1,1,1,NA,2,2,2,2,1,1,1,2)

请注意，在df_outcome 中，第一个和第二个 2 之间的值没有合并，因为它们的位置差异大于 3。另一方面，其他非 2 值也相应更改。

我试图做的事情（但它不能正常工作）：

在zoo 包中的rollapply 的帮助下，我尝试创建一个函数来查找数组的第一个和第二个2 并执行上述修改。

func <- function (q) {
  for (i in (which(q %in% 2)[1]):(which(q %in% 2)[2])) {
    q[i]<-2
  }
  return(q)
}

然后我使用rollapply嵌套它，这样我就可以为每个循环指定一个特定的宽度以及其他参数，例如结果索引的位置（左）。

df_outcome<-rollapply(df, width = 3, FUN = func, fill = NA, partial = TRUE, align = "left")

问题在于，如果将用户生成的函数应用于向量，则该函数可以正常工作。但是，当作为参数嵌套在 rollapply 函数中时，它会返回错误：

错误 (which(q %in% 2)[1]):(which(q %in% 2)[2]) : NA/NaN 参数 调用自：FUN(data[replace(posns, !ix, 0)], ...)

我想我在使用rollapply 或数据格式方面存在一些错误，但我不明白可能是什么问题。我考虑过使用rollapply，因为我的数据很长，而且是为不同的用户生成的。因此，我需要一个函数，该函数还可以根据其他变量分割数据，例如User_ID（很像ddply 中的.variablesargument 或data.table 中的by。

期待您的支持。

Answer 1

rle的解决方案：

rldf <- rle(df)
rllag <- c(tail(rldf$values,-1), NA)
rllead <- c(NA, head(rldf$values,-1))

rldf$values[which(rldf$values == 1 & rllag == 2 & rllead == 2 & rldf$lengths < 3)] <- 2

df_out <- inverse.rle(rldf)

给出：

> df_out
 [1] NA NA  2  1  1  1  2  2  2  2  1  1  1 NA  2  2  2  2  1  1  1  2

> identical(df_outcome,df_out)
[1] TRUE

Answer 2

您可以尝试在df 中获取2 的索引。 然后获取这些位置之间的差异，从而找到要替换为 2 的值的索引：

# position of the 2s
pos_df_2 <- which(df==2) 
# which of the difference in positions are less than 3
wh_pos2_inf3 <- which(c(FALSE, diff(pos_df_2)<=3))
# get all indices between positions that are separated by less than 3 elements
ind_to_replace <- unique(unlist(sapply(wh_pos2_inf3, function(x) {pos_df_2[x-1]:pos_df_2[x]}))) 
# replace the elements by 2
df[ind_to_replace] <- 2 
df
#[1] NA NA  2  1  1  1  2  2  2  2  1  1  1 NA  2  2  2  2  1  1  1  2

Answer 3

使用data.table（但可能有更好的解决方案）：

df<-c(NA, NA, 2, 1, 1, 2, 2, 1, 2, 2, 1, 1, 1, NA, 2, 2, 1, 2, 1, 1, 1, 2)
dt<-data.table(val=df)
dt[,`:=`(id=rleid(val), p=shift(val,type="lag"), n=shift(val,type="lead"))]
dt[,`:=`(s=.N, f=p[1], e=n[.N]), by=id]
dt[f==2 & e==2 & s<3, val:=2]

详细说明：

创建df，差异很小，测试数据中有两个连续的1

df<-c(NA, NA, 2, 1, 1, 2, 2, 1, 2, 2, 1, 1, 1, NA, 2, 2, 1, 2, 1, 
  1, 1, 2)
dt<-data.table(val=df)

创建一个 rleid 的 val，滞后并领先 val（用于下一步）

dt[,`:=`(id=rleid(val), p=shift(val, type="lag"), n=shift(val, type="lead"))]

然后通过id(group)得到组的大小，这个组的上一个和下一个值

dt[,`:=`(s=.N, f=p[1], e=n[.N]), by=id]

现在根据您的要求进行过滤（上一个下一个是 2，大小小于 3）并将 val 设置为 2

dt[f==2 & e==2 & s<3, val:=2]

最后给出的结果

dt[,val]
[1] NA NA  2  2  2  2  2  2  2  2  1  1  1 NA  2  2  2  2  1  1  1  2

与来源相比：

[1] NA NA  2  1  1  2  2  1  2  2  1  1  1 NA  2  2  1  2  1  1  1  2   

它似乎满足了你的期望。