R函数对数据框进行子集化，以便列中的非相邻值相差> = X（从第一个值开始）

Question

我正在寻找一个函数，它遍历数据框中给定列的行（“pos”表示位置，升序），并且只保留那些值至少有 10 个不同的行，从第一个开始row.因此它将从第一行开始（并存储它），然后继续直到找到一个值至少比第一行高 10 的行，存储该行，然后再次从该值开始寻找下一个>10diff 一个。

到目前为止，我有一个 R for 循环，它成功地找到了至少相隔 X 值的相邻行，但它没有能力向下看一行，也没有能力在找到给定行并开始后停止再次从那里。

这是我拥有的功能：

# example data frame     
df <- data.frame(x=c(1:1000), pos=sort(sample(1:10000, 1000)))

# prep function (this only checks row above)
library(dplyr)
pos.apart.subset <-  function(df, pos.diff) {
  # create new dfs to store output
  new.df <- list()
  new.df1 <- data.frame()
  # iterate through each row of df
  for (i in 1:nrow(df)) {
    # if the value of next row is higher or equal than value or row i+posdiff, keep
    # if not ascending, keep
    # if first row, keep
    if(isTRUE(df$pos[i+1] >= df$pos[i]+pos.diff | df$pos[i+1] < df$pos[i] | i==1 )) {
      # add rows that meet conditions to list
      new.df[[i]] <- df[i,] }
  }
  # bind all rows that met conditions
  new.df1 <- bind_rows(new.df)
  return(new.df1)}

# test run for  pos column adjacent values to be at least 10 apart 
df1 <- pos.apart.subset(df, 10); head(df1)

很高兴在 awk 或任何其他语言中执行此操作。非常感谢。

Answer 1

看来我之前误解了这个问题，因为我们不想计算连续行之间的差异，你可以试试：

nrows <- 1
previous_match <- 1
for(i in 2:nrow(df)) {
  if(df$pos[i] - df$pos[previous_match] > 10) {
    nrows <- c(nrows, i)
    previous_match <- i
   }
 }

然后对选定的行进行子集化：

df[nrows, ]

---

较早的答案

我们可以使用diff获取连续行之间的差值，并选择差值大于10的行。

head(subset(df, c(TRUE, diff(pos) > 10)))

#    x pos
#1   1   1
#2   2  31
#6   6  71
#9   9 134
#10 10 151
#13 13 185

第一个TRUE默认选择第一行。

在dplyr 中，我们可以使用lag 从上一行获取值：

library(dplyr)
df %>% filter(pos - lag(pos, default = -Inf) > 10)