删除组中在 R 中第一次出现多个因子变量水平之后的所有行

Question

我的数据每个 id 有多个观察值，并按日期顺序排列。我希望能够删除在每个 id 中第一次出现一个因子之后出现的所有行。在下面的示例中称为“ind”的因子具有多个级别。大多数行将是“a”级。在下面的示例中，我想保留所有行直到出现“b”或“c”，并删除第一次出现这些值中的一个或两个之后的所有行。在某些情况下，“b”和“c”出现在同一个 id 中，并且在完全相同的日期和时间（如下面的示例中的 id=3 所示）。在这种情况下，我想保留具有“b”和“c”的行，而不是简单地删除后面的任何行，无论哪个值先出现。有时 id 没有“b”或“c”值，在这种情况下，我想保留该 id 的所有行。有时一个 id 只有一个“b”和/或“c”值而没有“a”值，在这种情况下，我也会保留所有行，只要它们具有相同的日期和时间，如果同时存在“b”和“c”值。 这是示例数据集的代码：

id <- c(1,1,1,2,2,3,3,3,3,3,4,5,6,6)
ind <- c("a","b","a","a","c","a","a","b","c","a","a","b","a","a")
dt <- c("2017-06-30 00:00:00", "2017-07-1 00:00:00", "2017-07-04 00:00:00",
    "2017-05-23 00:00:00", "2017-05-30 00:00:00",
    "2017-08-04 00:00:00", "2017-08-07 00:00:00", "2017-08-10 00:00:00", "2017-08-10 00:00:00", "2017-08-15 00:00:00",
    "2017-06-05 00:00:00",
    "2017-06-21 00:00:00",
    "2017-01-20 00:00:00", "2017-01-21 00:00:00")
dat <- cbind(id,ind,dt)
dat <- data.frame(dat)
dat$id <- factor(dat$id)
dat$ind <- factor(dat$ind)
dat$dt <- as.POSIXct(dat$dt,tz="America/Chicago",format="%Y-%m-%d %H:%M:%OS")
dat

我想得到一个这样的数据集（id=1的最后一行，id=3的最后一行被删除了）：

id <- c(1,1,2,2,3,3,3,3,4,5,6,6)
ind <- c("a","b","a","c","a","a","b","c","a","b","a","a")
dt <- c("2017-06-30 00:00:00", "2017-07-1 00:00:00",
    "2017-05-23 00:00:00", "2017-05-30 00:00:00",
    "2017-08-04 00:00:00", "2017-08-07 00:00:00", "2017-08-10 00:00:00", "2017-08-10 00:00:00",
    "2017-06-05 00:00:00",
    "2017-06-21 00:00:00",
    "2017-01-20 00:00:00", "2017-01-21 00:00:00")
dat2 <- cbind(id,ind,dt)
dat2 <- data.frame(dat2)
dat2$id <- factor(dat2$id)
dat2$ind <- factor(dat2$ind)
dat2$dt <- as.POSIXct(dat2$dt,tz="America/Chicago",format="%Y-%m-%d %H:%M:%OS")
dat2

如果因子中只有两个级别，或者如果 id 有时在同一日期/时间没有超过一个因子级别，那么我可以简单地执行以下操作：

dat %>% group_by(id) %>% arrange(dt, .by_group = TRUE) %>% filter(cumsum(cumsum(ind == "b")) <= 1)

正如question 中所建议的那样。 但是，这在我的情况下不起作用，因为在上面的 id=3 示例中，它只会采用非“a”值行之一。

感谢您的帮助！

Answer 1

我们arrange将数据按'id'，'dt'，按'id'分组，用ind列得到一个向量（c("b", "c")）的match的索引的max ，用NA（na_if）替换0，用行数（n()）做一个coalesce，用row_number()创建一个逻辑向量到filter行数

library(dplyr)
dat %>% 
    arrange(id, dt) %>% 
    group_by(id) %>% 
    filter(row_number() <= coalesce(na_if(max(match(c("b", "c"), 
           ind, nomatch = 0)), 0), n())) %>%
    ungroup

-输出

# A tibble: 12 × 3
   id    ind   dt                 
   <fct> <fct> <dttm>             
 1 1     a     2017-06-30 00:00:00
 2 1     b     2017-07-01 00:00:00
 3 2     a     2017-05-23 00:00:00
 4 2     c     2017-05-30 00:00:00
 5 3     a     2017-08-04 00:00:00
 6 3     a     2017-08-07 00:00:00
 7 3     b     2017-08-10 00:00:00
 8 3     c     2017-08-10 00:00:00
 9 4     a     2017-06-05 00:00:00
10 5     b     2017-06-21 00:00:00
11 6     a     2017-01-20 00:00:00
12 6     a     2017-01-21 00:00:00