【问题标题】：Finding rows that follow each other consecutively based on year-column in dataframe根据数据框中的年份列查找彼此连续的行
【发布时间】：2018-02-05 12:13:41
【问题描述】：

我有一个包含三列的数据框，其中第一列是 ID，第二列表示年份，第三列是与该年份的 ID 关联的值：

df.in <- data.frame("id"=c(1,   1,   1,   1,   1,   1,   1,   1,   2,   2,   2,   2,   2,   2,   2,   2,   2,   2),
                    "yr"=c(2005,2006,2007,2009,2010,2011,2012,2013,2006,2007,2008,2009,2010,2011,2012,2013,2015,2016),
                    "vl"=c(5,   6,   7,   8,   10,  1,   2,   3,   6,   8,   10,  1,   2,   3,   4,   5,   7,   9))

如您所见，给定 ID 的年份之间存在一些差距。对于ID==1，有两个连续年份的“组”分别有 3 行和 5 行。对于ID==2，分别为 8 和 2。

是否有一种dplyr-方式来生成一个 data.frame，它只包含每个 ID 具有最多行数的组，这些行彼此连续？换句话说，我想要一个具有5+8 行的数据框：

df.in <- data.frame("id"=c(1,   1,   1,   1,   1,   2,   2,   2,   2,   2,   2,   2,   2),
                    "yr"=c(2009,2010,2011,2012,2013,2006,2007,2008,2009,2010,2011,2012,2013),
                    "vl"=c(8,   10,  1,   2,   3,   6,   8,   10,  1,   2,   3,   4,   5))

编辑：再多一个测试用例：

df.in <- data.frame("id"=c(1,   1,   1,   1,   1,   1,   1,   1),
                    "yr"=c(2005,2006,2007,2008,2009,2010,2011,2012),
                    "vl"=c(5,   6,   7,   8,   10,  1,   2,   3))

应该给出与输入相同的输出。

【问题讨论】：

标签： r dataframe dplyr

【解决方案1】：

当日期组发生变化时（按id分组后）我们添加一个标志，这个标志的cumsum给我们一个组id。

我们按这些组计算行数，并仅保留每个 id 值的最大值：

df.in %>%
  group_by(id) %>%
  mutate(group = cumsum(c(1,yr[1:(length(yr)-1)] < yr[2:length(yr)]-1))) %>%
  group_by(id,group) %>%
  add_count %>%
  group_by(id) %>%
  filter(n == max(n)) %>%
  select(-n) %>%
  ungroup


# # A tibble: 13 x 4
#          id    yr    vl group
#       <dbl> <dbl> <dbl> <dbl>
#     1     1  2009     8     2
#     2     1  2010    10     2
#     3     1  2011     1     2
#     4     1  2012     2     2
#     5     1  2013     3     2
#     6     2  2006     6     1
#     7     2  2007     8     1
#     8     2  2008    10     1
#     9     2  2009     1     1
#    10     2  2010     2     1
#    11     2  2011     3     1
#    12     2  2012     4     1
#    13     2  2013     5     1

【讨论】：

【解决方案2】：

dplyr 答案

查看年份差距在哪里 (x)，然后使用 cumsum 对它们进行分组，然后计数并筛选出最大值：

df.in %>%
  group_by(id) %>% 
  mutate(x = ifelse(is.na(lag(yr)), F, lag(yr) != yr - 1)) %>%
  mutate(y = cumsum(x)) %>%
  group_by(id, y) %>% add_count() %>%
  group_by(id) %>% filter(n == max(n)) %>%
  select(-x, -y, -n)

【讨论】：

不错的建议。是否有可能将其概括为可以处理年份没有间隔的情况？
当然，您可以向filter 添加另一个条件，但您必须指定要保留的组。例如，。如果你想要第一组，你可以把它改成filter(n == max(n) & y == min(y)。
如果我想使用第一组，我们应该使用什么选项？
例如，。如果要第一组，可以改成filter(n == max(n) & y == min(y)
我明白你的想法，但这不起作用 - 在某些情况下 min(y) 和 max(n) 不在一起

【解决方案3】：

类似的解决方案，但使用 tidyr 和 data.table 包中的 complete 和 rleid 函数。

library(dplyr)
library(tidyr)
library(data.table)

df.out <- df.in %>%
  group_by(id) %>%
  complete(yr = full_seq(yr, period = 1)) %>%
  mutate(Group = rleid(is.na(vl))) %>%
  group_by(id, Group) %>%
  mutate(N = n()) %>%
  ungroup() %>%
  group_by(id) %>%
  filter(N == max(N)) %>%
  select(-Group, -N) %>%
  ungroup()

df.out
# # A tibble: 13 x 3
#      id    yr    vl
#    <dbl> <dbl> <dbl>
#  1  1.00  2009  8.00
#  2  1.00  2010 10.0 
#  3  1.00  2011  1.00
#  4  1.00  2012  2.00
#  5  1.00  2013  3.00
#  6  2.00  2006  6.00
#  7  2.00  2007  8.00
#  8  2.00  2008 10.0 
#  9  2.00  2009  1.00
# 10  2.00  2010  2.00
# 11  2.00  2011  3.00
# 12  2.00  2012  4.00
# 13  2.00  2013  5.00

【讨论】：