基于跨行字符序列的子集数据

Question

如何通过连续字符行的模式对 df 进行子集化？在下面的示例中，我想对历史值连续为“TRUE”、“FALSE”、“TRUE”的数据进行子集化。下面的数据有点奇怪，但你明白了！

value <- c(1/1/16,1/2/16, 1/3/16, 1/4/16, 1/5/16, 1/6/16, 1/7/16, 1/8/16, 1/9/16, 1/10/16)

history <- c("TRUE", "FALSE", "TRUE", "TRUE", "FALSE", "TRUE", "TRUE", "TRUE", "FALSE", "TRUE")

df <- data.frame(value, history)
df

         value history  
1  0.062500000    TRUE  
2  0.031250000   FALSE  
3  0.020833333    TRUE  
4  0.015625000    TRUE  
5  0.012500000   FALSE  
6  0.010416667    TRUE  
7  0.008928571    TRUE  
8  0.007812500    TRUE  
9  0.006944444   FALSE  
10 0.006250000    TRUE  

我已经尝试过grepl，但这适用于字符串 - 而不是跨行连续的字符序列。

输出将与上面的 df 相同，但没有第 7 行，因为这不符合上述模式。

Answer 1

你可以...

s = c("TRUE", "FALSE", "TRUE")

library(data.table)
w = as.data.table(embed(history, length(s)))[as.list(s), on=paste0("V", seq_along(s)), which=TRUE]

df$v <- FALSE
df$v[w + rep(seq_along(s)-1L, each=length(s))] <- TRUE

         value history     v
1  0.062500000    TRUE  TRUE
2  0.031250000   FALSE  TRUE
3  0.020833333    TRUE  TRUE
4  0.015625000    TRUE  TRUE
5  0.012500000   FALSE  TRUE
6  0.010416667    TRUE  TRUE
7  0.008928571    TRUE FALSE
8  0.007812500    TRUE  TRUE
9  0.006944444   FALSE  TRUE
10 0.006250000    TRUE  TRUE

然后您可以像subset(df, v == TRUE) 一样过滤。

---

这使用 data.table 连接，x[i, which=TRUE] 在 x = embed(history, length(s)) 中查找 i = as.list(s) 并报告 x 的哪些行匹配：

> as.data.table(as.list(s))
     V1    V2   V3
1: TRUE FALSE TRUE

> as.data.table(embed(history, length(s)))
      V1    V2    V3
1:  TRUE FALSE  TRUE
2:  TRUE  TRUE FALSE
3: FALSE  TRUE  TRUE
4:  TRUE FALSE  TRUE
5:  TRUE  TRUE FALSE
6:  TRUE  TRUE  TRUE
7: FALSE  TRUE  TRUE
8:  TRUE FALSE  TRUE

w + rep(...) 与@GGrothendieck 的outer(...) 相同，只是这里的w 包含比赛开始的位置，而不是结束的位置。

Answer 2

问题中的数据看起来很奇怪，所以我们使用了最后 Note 中的数据。如果您确实有一个值为“TRUE”和“FALSE”的字符向量或因子，则可以使用以下方法轻松地将其转换为逻辑：

df <- transform(df, history = history == "TRUE")

1) rollapply 首先定义模式，然后使用带有rollapplyr 的移动窗口搜索它。这给出了一个逻辑向量，如果它是这种模式匹配的结尾，则该向量为 TRUE。找到 TRUE 的索引并包括前两个索引。最后执行子集。

library(zoo)

pattern <- c(TRUE, FALSE, TRUE)
ix <- which(rollapplyr(df$history, length(pattern), identical, pattern, fill = FALSE))
ix <- unique(sort(c(outer(ix, seq_along(pattern) - 1L, "-"))))
df[ix, ]

给予：

         value history
1  0.062500000    TRUE
2  0.031250000   FALSE
3  0.020833333    TRUE
4  0.015625000    TRUE
5  0.012500000   FALSE
6  0.010416667    TRUE
8  0.007812500    TRUE
9  0.006944444   FALSE
10 0.006250000    TRUE

1a) magrittr （1）中的这段代码可以用 magrittr 来表示。 （解决方案（2）也可以按照类似的想法使用 magrittr 来表达。）

library(magrittr)
library(zoo)

df %>%
  extract(
   extract(.,, "history") %>%
   rollapplyr(length(pattern), identical, pattern, fill = FALSE) %>%
   which %>%
   outer(seq_along(pattern) - 1L, "-") %>%
   sort %>%
   unique, )

2) gregexpr 使用上面定义的pattern，我们将其转换为0 和1 的字符串，并将df$history 转换为这样的字符串。然后我们可以使用 gregexpr 查找每个匹配项的第一个元素的索引，然后将其扩展到所有索引和子集。我们得到和以前一样的答案。此替代方案不使用任何包。

collapse <- function(x) paste0(x + 0, collapse = "")
ix <- gregexpr(collapse(pattern), collapse(df$history))[[1]]
ix <- unique(sort(c(outer(ix, seq_along(pattern) - 1L, "+"))))
df[ix, ]

注意

Lines <- "
         value history  
1  0.062500000    TRUE  
2  0.031250000   FALSE  
3  0.020833333    TRUE  
4  0.015625000    TRUE  
5  0.012500000   FALSE  
6  0.010416667    TRUE  
7  0.008928571    TRUE  
8  0.007812500    TRUE  
9  0.006944444   FALSE  
10 0.006250000    TRUE"
df <- read.table(text = Lines)

Answer 3

使用延迟的选项：

    df <- data.frame(value, history)

    n<- grepl("TRUE, FALSE, TRUE", paste(lag(lag(history)), (lag(history)), history, sep = ", "))[-(1:2)]

    cond <- n |lag(n)|lag(lag(n)) 
    cond <- c(cond, cond[length(history)-2], cond[length(history)-2])
    df[cond, ]