R对连续重复行求和并删除除第一个之外的所有行

Question

我遇到了一个可能很简单的问题——如何对连续的重复行求和并删除除第一行之外的所有行。并且，如果在两个重复项之间存在 NA（例如 2,na,2），也将它们相加并删除除第一个条目之外的所有条目。 到目前为止一切顺利，这是我的示例数据

ia<-c(1,1,2,NA,2,1,1,1,1,2,1,2)
time<-c(4.5,2.4,3.6,1.5,1.2,4.9,6.4,4.4, 4.7, 7.3,2.3, 4.3)
a<-as.data.frame(cbind(ia, time))

样本输出

     a
   ia time
1   1  4.5
2   1  2.4
3   2  3.6
4  NA  1.5
5   2  1.2
6   1  4.9
7   1  6.4
8   1  4.4
9   1  4.7
10  2  7.3
11  1  2.3
12  2  4.3

现在我想 1.) 对连续 ia 的“时间”列求和 - 即，如果数字 1 在彼此之后出现两次或更多次，则求和时间，在我的情况下，这里将列时间的第一行和第二行求和到 4.5+2.4。

2.) 如果两个数字（ia 列）之间有一个NA，它们是相同的(i.e., ia = 2, NA, 2)，那么也将所有这些时间相加。

3.) 只保留第一次出现的ia，并删除其余的。

最后，我想要这样的东西：

 a
       ia time
    1   1  6.9
    3   2  6.3
    6   1  20.4
    10  2  7.3
    11  1  2.3
    12  2  4.3

我发现这个是为了求和，但它没有考虑连续因素

aggregate(time~ia,data=a,FUN=sum)

我发现这个要删除

a[cumsum(rle(as.numeric(a[,1]))$lengths),]

虽然 rle 方法保留了最后一个条目，但我想保留第一个条目。我也不知道如何处理NAs。

如果我有1-NA-2 的模式，那么NA 不应该被计算在内，在这种情况下应该删除NA 行。

Answer 1

使用 data.table（正如 RHertel 建议的 na.locf）：

library(data.table)
library(zoo)

setDT(a)[na.locf(ia, fromLast=T)==na.locf(ia), sum(time), cumsum(c(T,!!diff(na.locf(ia))))]
#   id   V1
#1:  1  6.9
#2:  2  6.3
#3:  3 20.4
#4:  4  7.3
#5:  5  2.3
#6:  6  4.3

Answer 2

您首先需要将 NA 序列替换为它们周围的值（如果它们相同）。 This answer 显示了 zoo 的 na.locf 函数，它用最后一次观察填充 NA。通过测试将值向后或向前携带是否相同，您可以过滤掉您不想要的NA，然后进行向前的携带：

library(dplyr)
library(zoo)

a %>%
  filter(na.locf(ia) == na.locf(ia, fromLast = TRUE)) %>%
  mutate(ia = na.locf(ia))
#>    ia time
#> 1   1  4.5
#> 2   1  2.4
#> 3   2  3.6
#> 4   2  1.5
#> 5   2  1.2
#> 6   1  4.9
#> 7   1  6.4
#> 8   1  4.4
#> 9   2  7.3
#> 10  1  2.3
#> 11  2  4.3

现在您已经修复了这些 NA，您可以使用 cumsum 对连续的值集进行分组。完整的解决方案是：

result <- a %>%
  filter(na.locf(ia) == na.locf(ia, fromLast = TRUE)) %>%
  mutate(ia = na.locf(ia)) %>%
  mutate(change = ia != lag(ia, default = FALSE)) %>%
  group_by(group = cumsum(change), ia) %>%
  summarise(time = sum(time))
result
#> Source: local data frame [6 x 3]
#> Groups: group [?]
#> 
#>   group    ia  time
#>   (int) (dbl) (dbl)
#> 1     1     1   6.9
#> 2     2     2   6.3
#> 3     3     1  15.7
#> 4     4     2   7.3
#> 5     5     1   2.3
#> 6     6     2   4.3

如果您想删除 group 列，请使用附加行：

result %>%
  ungroup() %>%
  select(-group)

Answer 3

nas <- which(is.na(df$ia))
add.index <- sapply(nas, function(x) {logi <- which(as.logical(df$ia))
  aft <- logi[logi > x][1]
  fore <- tail(logi[logi< x], 1)
  if(df$ia[aft] == df$ia[fore]) aft else NA})
df$ia[nas] <- df$ia[add.index]
df <- df[complete.cases(df),]

首先我们确定列的 NA 值是否被相同的值包围。如果是，则周围的值替换 NA。如果数据有连续的NA值是没有问题的。

接下来我们按组进行标准求和运算。 cumsum 允许我们根据数字的变化创建一个独特的组。

df$grps <- cumsum(c(F, !df$ia[-length(df$ia)] == df$ia[-1]))+1
aggregate(time ~ grps, df, sum)
#   grps time
# 1    1  6.9
# 2    2  6.3
# 3    3 20.4
# 4    4  7.3
# 5    5  2.3
# 6    6  4.3

这是base R 方法。对于 dplyr、zoo 或 data.table 等软件包，可以使用不同的选项，因为它们内置了专门的功能来完成我们在这里所做的事情。