在R中的grepl之后过滤数据集？答案

【问题标题】：Filtering a dataset after grepl in R?在R中的grepl之后过滤数据集？
【发布时间】：2016-06-20 10:37:34
【问题描述】：

我有以下数据集：

USERNAME API_TRACK_EVENT         TIME
userA    Viewed pic              1454941960
userA    Order/payment           1454941972
userA    Order/Changed Address   1454941976
userB    Viewed pic              1454941983
userB    Order/guestlogin        1454941986
userB    Order/Changed Address   1454941992

我只想接受较早的“订单”，即用户 A 的“订单/付款”和用户 B 的“订单/访客登录”。

话虽如此，所有其他无序事件应该保持不变。

因此，输出数据集将是：

USERNAME API_TRACK_EVENT         TIME
userA    Viewed pic              1454941960
userA    Order/payment           1454941972
userB    Viewed pic              1454941983
userB    Order/guestlogin        1454941986

那么，我该怎么做呢？ [也开放使用 dplyr。]

【问题讨论】：

标签： r dplyr

【解决方案1】：

这是一个带有基本 R 的选项：

0) 根据 USERNAME 和 TIME 对数据进行排序：

df <- df[order(df$USERNAME, df$TIME),]

a) 检查行是否包含订单信息：

idx <- grepl("Order", df$API_TRACK_EVENT, ignore.case = TRUE)

b) USERNAME 组的子集

subset(df, ave(idx, USERNAME, FUN = cumsum) <= 1L | !idx)

#  USERNAME  API_TRACK_EVENT       TIME
#1    userA       Viewed_pic 1454941960
#2    userA    Order/payment 1454941972
#4    userB       Viewed_pic 1454941983
#5    userB Order/guestlogin 1454941986

这仅包含第一个订单行和任何其他行（没有订单信息）。

【讨论】：

对不起，我错过了行需要按顺序排列的细节。到time，最早的应该存在于结果数据集中。感谢您对另一个答案的评论，我被提醒了这个错误:)
@Dawny33，我添加了一个步骤来订购数据
感谢您提供如此详细的答案。 :)

【解决方案2】：

我们可以使用slice/which.max/grep 过滤掉dplyr 中的行。按'USERNAME'分组后，得到grepl的逻辑索引，用which.max包裹得到第一个TRUE值的数字索引，使用seq从1:index和slice获取序列它对行进行子集化。此方法假定“订单”元素出现在每个“用户名”的末尾，如示例所示。

library(dplyr)
df1 %>%
    arrange(USERNAME, TIME) %>%
    group_by(USERNAME) %>%
    slice(seq(which.max(grepl("Order", API_TRACK_EVENT))))
#  USERNAME  API_TRACK_EVENT       TIME
#     <chr>            <chr>      <int>
#1    userA       Viewed pic 1454941960
#2    userA    Order/payment 1454941972
#3    userB       Viewed pic 1454941983
#4    userB Order/guestlogin 1454941986

但是，如果“Order”元素没有排序，我们可以使用duplicated 和grepl 来保留包含任何没有“Order”元素或只有第一个“Order”元素的行。

df1 %>%
    arrange(USERNAME, TIME) %>%
    group_by(USERNAME) %>%
    filter( {idx =  grepl("^Order", API_TRACK_EVENT);
            !duplicated(idx)|!idx})

#  USERNAME  API_TRACK_EVENT       TIME
#     <chr>            <chr>      <int>
#1    userA       Viewed pic 1454941960
#2    userA    Order/payment 1454941972
#3    userB       Viewed pic 1454941983
#4    userB Order/guestlogin 1454941986

注意：编辑来自@docendodiscimus 的贡献

或者使用data.table的第一种方法

library(data.table)
setDT(df1)[df1[order(USERNAME, TIME), .I[seq(which.max(grepl("Order", 
                       API_TRACK_EVENT)))], USERNAME]$V1]

【讨论】：

可以解释最后一行吗？ slice(seq(which.max(grep("Order", API_TRACK_EVENT))))
@akrun (+1)感谢您的回答。如果需要按时间订购，又想拿most early一个，可以怎么改？很抱歉错过了 qn 中的详细信息 :)
@docendodiscimus 感谢您的评论。我忘了{}