在 R 中处理分组数据集

Question

我有一个像这样的数据集：

+----+--------+---------+----------+--+ |编号 |时间 |活动 |时差 | | +----+--------+---------+----------+--+ | 1 | 15.00 |安装 | - | | | 1 | 15.30 |出售| 00.30 | | | 1 | 16.00 |出售| 00.30 | | | 2 | 15.00 |出售| - | | | 2 | 15.30 |出售| 0.30 | | | 3 | 16.00 |安装 | - | | | 4 | 15.00 |安装 | - | | | 5 | 13.00 |安装 | - | | | 5 | 14.00 |出售| 01.00 | | +----+--------+---------+----------+--+

我想清理这个数据集： 我想排除第一个（和下一个 n..）事件是销售但不是安装的 id。 我想排除有安装但没有销售的 id（这些 id 确实是唯一的）

最终得到如下结果：

+----+--------+---------+----------+ |编号 |时间 |活动 |时差 | +----+--------+---------+----------+ | 1 | 15.00 |安装 | - | | 1 | 15.30 |出售| 0.30 | | 1 | 16.00 |出售| 0.30 | | 5 | 13.00 |安装 | - | | 5 | 14.00 |出售| 01.00 | +----+--------+---------+----------+

如何在 R 中做到这一点？是否有任何特定的数据操作包，或者我可以使用 if 公式？我应该使用tapply吗？

Answer 1

基于示例，我们可以按“id”和filter 将“事件”列分组，其中first 元素为“安装”，第二个为“销售”，以获得预期的输出。

df1 %>%
  group_by(id) %>%
  filter(first(event)=='install' & event[2L]=='sale')
    id  time   event timediff
#  (int) (dbl)   (chr)    (dbl)
#1     1  15.0 install       NA
#2     1  15.3    sale      0.3
#3     1  16.0    sale      0.3
#4     5  13.0 install       NA
#5     5  14.0    sale      1.0

或者如果除了第一个元素之外的所有元素都应该是“sale”，我们通过比较 first 元素为“install”和后续元素为“sale”来创建一个逻辑变量（“ind”）（使用@987654325 @)，然后是 filter 组，其中 all 'ind' 为 TRUE。如果需要，我们可以使用 select 删除“ind”列。

 df1 %>% 
     group_by(id) %>%
     mutate(ind= first(event)=='install' & lead(event, default='sale')=='sale') %>%
     filter(all(ind)) %>% 
     ungroup() %>% 
     select(-ind)

---

或者我们可以使用data.table.，按'id'分组，if行数大于1（.N >1），第一个元素是'install'（event[1L]=='install'）和all其余元素都是“sale”，然后我们得到 Data.table (.SD) 的子集。

library(data.table)
setDT(df1)[, if(.N > 1 & event[1L]=='install' & all(event[2:.N]=='sale')) .SD, by = id]
#   id time   event timediff
#1:  1 15.0 install       NA
#2:  1 15.3    sale      0.3
#3:  1 16.0    sale      0.3
#4:  5 13.0 install       NA
#5:  5 14.0    sale      1.0