聚合组合序列

Question

我有想要通过user_id 聚合的示例数据集。每条记录代表一个注册。

> test
   user_id                time    plan
1        1 2017-06-23 20:00:00 monthly
2        2 2017-07-20 20:00:00 monthly
3        3 2017-06-03 20:00:00 monthly
4        1 2017-07-03 20:00:00 monthly
5        2 2017-05-11 20:00:00  yearly
6        3 2017-07-27 20:00:00  yearly
7        1 2017-05-09 20:00:00  yearly
8        2 2017-01-15 19:00:00  yearly
9        3 2017-08-18 20:00:00  yearly
10       1 2017-01-30 19:00:00 monthly

每个用户都以不同的顺序注册了不同的计划 (time)。 比如用户1的序列是monthly-yearly-monthly- monthly，那么用户1切换了两次次。

用户 2 拥有yearly-yearly-monthly，因此用户 2 已切换一次

用户 3 已从 monthly-yearly-yearly 离开，因此用户 3 已切换一次。

> test[order(test$time),] 
   user_id                time    plan
8        2 2017-01-15 19:00:00  yearly
10       1 2017-01-30 19:00:00 monthly
7        1 2017-05-09 20:00:00  yearly
5        2 2017-05-11 20:00:00  yearly
3        3 2017-06-03 20:00:00 monthly
1        1 2017-06-23 20:00:00 monthly
4        1 2017-07-03 20:00:00 monthly
2        2 2017-07-20 20:00:00 monthly
6        3 2017-07-27 20:00:00  yearly
9        3 2017-08-18 20:00:00  yearly

我的目标是总结开关的组合，换句话说，总结有多少用户从yearly到monthly，有多少用户从monthly到yearly，有多少用户多次切换计划。以下数据集的输出可能如下所示：

> output
            type count
1 monthly-yearly     1
2 yearly-monthly     1
3       multiple     1

如何按user_id 进行分组，然后将R 中的字符串序列减少为multiple、monthly-yearly 或yearly-monthly？任何建议或意见将不胜感激。

上面的数据集：

> dput(test)
structure(list(user_id = c(1, 2, 3, 1, 2, 3, 1, 2, 3, 1), time = structure(c(1498262400, 
1500595200, 1496534400, 1499126400, 1494547200, 1501200000, 1494374400, 
1484524800, 1503100800, 1485820800), class = c("POSIXct", "POSIXt"
)), plan = c("monthly", "monthly", "monthly", "monthly", "yearly", 
"yearly", "yearly", "yearly", "yearly", "monthly")), .Names = c("user_id", 
"time", "plan"), row.names = c(NA, -10L), class = "data.frame")

Answer 1

这是另一种方式：

test[order(user_id, time), 
  .(plan = first(plan))
, by=.(user_id, rleid(user_id, plan))][, 
  if (.N < 3L) paste(plan, collapse="-") 
  else "multiple"
, by=user_id][, 
  .N
, by=.(pattern = V1)]

#           pattern N
# 1:       multiple 1
# 2: yearly-monthly 1
# 3: monthly-yearly 1

翻译为 dplyr，基于@AndrewGustar 的回答：

library(dplyr)

test %>% 
    group_by(user_id) %>%
    arrange(time) %>% 
    summarise(pattern = 
      if (length(r <- rle(plan)$values) < 3) paste(r, collapse="-") 
      else "multiple"
    ) %>% 
    count(pattern)

# # A tibble: 3 x 2
#          pattern     n
#            <chr> <int>
# 1 monthly-yearly     1
# 2       multiple     1
# 3 yearly-monthly     1

它是如何工作的

要分解它的工作原理，请尝试部分运行它，直到每个] 或%>% 之前的括号。

它...

1. 使用rleid 对每个plan 值的运行进行分组；
2. 按运行序列总结每个用户，为 3+ 的任何序列写“多个”；
3. 并根据这些摘要对用户进行计数。

它不使用plan 的特定值。

Answer 2

这是使用dplyr 和有用的rle 函数（运行长度编码）的一种方法..

library(dplyr)

output <- test %>% group_by(user_id) %>% #group by id
      arrange(time) %>%                  #sort by date
      summarise(first=first(plan),switches=length(rle(plan)$values)) %>% 
                                         #find first plan and number of switches
      mutate(type=ifelse(switches>2,"multiple",
                     ifelse(first=="monthly","monthly-yearly","yearly-monthly"))) %>% 
                                         #convert these to your three types
      count(type)                        #short for group_by and n()

output
            type     n
           <chr> <int>
1 monthly-yearly     1
2       multiple     1
3 yearly-monthly     1