折叠具有重叠范围的行答案

【问题标题】：Collapse rows with overlapping ranges折叠具有重叠范围的行
【发布时间】：2017-06-04 12:04:52
【问题描述】：

我有一个带有开始和结束时间的 data.frame：

ranges<- data.frame(start = c(65.72000,65.72187, 65.94312,73.75625,89.61625),stop = c(79.72187,79.72375,79.94312,87.75625,104.94062))

> ranges
     start      stop
1 65.72000  79.72187
2 65.72187  79.72375
3 65.94312  79.94312
4 73.75625  87.75625
5 89.61625 104.94062

在此示例中，第 2 行和第 3 行中的范围完全在第 1 行的“开始”和第 4 行的停止之间的范围内。因此，重叠的范围 1-4 应该折叠到一个范围：

> ranges
     start      stop
1 65.72000  87.75625
5 89.61625 104.94062

我试过这个：

mdat <- outer(ranges$start, ranges$stop, function(x,y) y > x)
mdat[upper.tri(mdat)|col(mdat)==row(mdat)] <- NA
mdat

现在我只需要弄清楚如何组合所有真实的，但不确定这是否是最好的方法

【问题讨论】：

看起来不太容易。你已经看过 dplyr 了吗？将是我第一次尝试解决。
我试过这个：mdat <- outer(ranges$start, ranges$stop, function(x,y) y > x) mdat[upper.tri(mdat)|col(mdat)==row(mdat)] <- NA mdat 现在我只需要弄清楚如何组合所有真实的，但不确定这是否是最好的方法
您将什么定义为重叠？
相关：collapse intersecting regions in R, Merge Overlapping Ranges into unique groups.
我猜如果下一行的开始在上一行的范围内，那么我想保留下一行的“停止”。因此，如果下一行的起点是 73.75625（止损在 87.75625），而前一行的范围是 65.94312 到 79.94312，那么我希望有一个范围作为两者的组合，基本上是包含两者的范围： 65.94312 到 87.75625

标签： r subset rows overlap overlapping

【解决方案1】：

你可以试试这个：

library(dplyr)
ranges %>% 
       arrange(start) %>% 
       group_by(g = cumsum(cummax(lag(stop, default = first(stop))) < start)) %>% 
       summarise(start = first(start), stop = max(stop))

# A tibble: 2 × 3
#      g    start      stop
#  <int>    <dbl>     <dbl>
#1     0 65.72000  87.75625
#2     1 89.61625 104.94062

【讨论】：

这完美地解决了我的问题，但我还不太明白如何。感谢你的小提琴技巧，而我再次检查代码试图辨别它的魔力。
@Jemus42 代码首先按start 列对行进行排序。 lag(stop) 添加一个假想列，其中包含先前的 stop 值。 cummax 将保留以前的 stop 值的最高值，以便您可以与 start 列进行比较。如果start 值大于前面stop 值的最大值，则您在一个新组中。 cumsum 将累积 TRUEs，以便您拥有每个组的标识符 (g)。 summarise 将按组 id 聚合并获取请求和间隔结束。非常聪明的解决方案@Psidom :)

【解决方案2】：

这是data.table 解决方案

library(data.table)
setDT(ranges)
ranges[, .(start=min(start), stop=max(stop)),
       by=.(group=cumsum(c(1, tail(start, -1) > head(stop, -1))))]
   group    start      stop
1:     1 65.72000  87.75625
2:     2 89.61625 104.94062

在这里，通过检查前一个 start 是否大于 stop 然后使用 cumsum 来构造组。在每组内，计算开始的最小值和停止的最大值。

【讨论】：

【解决方案3】：

对于base R 和melt / unstack，让我们再添加几个日期以使问题更有趣和更通用：

ranges<- data.frame(start = c(65.72000,65.72187, 65.94312,73.75625,89.61625,105.1,104.99),stop = c(79.72187,79.72375,79.94312,87.75625,104.94062,110.22,108.01))
ranges
#      start      stop
#1  65.72000  79.72187
#2  65.72187  79.72375
#3  65.94312  79.94312
#4  73.75625  87.75625
#5  89.61625 104.94062
#6 105.10000 110.22000
#7 104.99000 108.01000

library(reshape2)
ranges <- melt(ranges)
ranges <- ranges[order(ranges$value),]
ranges
#   variable     value
#1     start  65.72000
#2     start  65.72187
#3     start  65.94312
#4     start  73.75625
#8      stop  79.72187
#9      stop  79.72375
#10     stop  79.94312
#11     stop  87.75625
#5     start  89.61625
#12     stop 104.94062
#7     start 104.99000
#6     start 105.10000
#14     stop 108.01000
#13     stop 110.22000

现在从上面可以看出，（有一个合理的假设，我们有一个所有值中最小的起始值和所有值中最大的停止值），问题归结为寻找模式stop 后跟 start 在连续的行中，这将是我们除了第一行和最后一行之外的唯一兴趣点（查找重叠范围）。以下代码实现了这一点：

indices <- intersect(which(ranges$variable=='start')-1, which(ranges$variable=='stop'))
unstack(ranges[c(1, sort(c(indices, indices+1)), nrow(ranges)),], value~variable)
#      start      stop
#1  65.72000  87.75625
#2  89.61625 104.94062
#3 104.99000 110.22000

【讨论】：