在 R 中：创建一个仅包含连续观测值的数据框和一个指示序列号的变量

Posted 2023-02-16

【中文标题】在 R 中：创建一个仅包含连续观测值的数据框和一个指示序列号的变量

【英文标题】：In R: Create a data frame which includes consecutive observations only and a variable indicating sequence number

【发布时间】：2021-03-01 14:05:54

【问题描述】：

我有一个列名类似于下面的数据框，其中每一行都是一个观察值： 用户身份;日期;变量_1； Var_2

对于每个日期，每个 user_id 可以有 0 或 1 个观察值。每个用户的数据框中只包含有观察的日期。

根据这些数据，我想创建一个包含这些变量（以及下面描述的变量）的数据框，但它应该只包含 3 个连续日期的观察结果（对于每个用户）。每个连续的天数应该从 1 到 3 编号，并且每个连续也应该编号。

例如，如果 user_id == 1 的用户在以下日期有观察：2020-01-01、2020-01-03、2020-01-04、2020-01-05、2020-01-06、2020 -01-10、2020-01-12、2020-01-13、2020-01-14。 user_id == 2 的用户在以下日期有观察结果：2020-01-01、2020-01-03、2020-01-04、2020-01-06、2020-01-10、2020-01-12、 2020-01-15、2020-01-16、2020-01-17

那么新的数据框应该包括：

user_id      日期      序列      天      Var_1      Var_2       1           20-01-03      1                  1            值            值       1            20-01-04      1                  2            价值            价值       1           20-01-05      1                  3            值           值       1           20-01-04      2                  1            值           值       1            20-01-05      2                  2            值           值       1            20-01-06      2                  3            价值           价值       1            20-01-12      3                  1            值           值       1            20-01-13      3                  2            值            值       1            20-01-14      3                  3            值           值       2           20-01-15      1                  1            值           值       2            20-01-16      1                  2            值            值       2            20-01-17      1                  3            值            值      

（其中 value 是变量的观察值）

感谢您对这个棘手问题的帮助！

最好的祝愿， 埃里克

【问题讨论】：

请使用dput 或我们可以复制和使用的东西添加数据。还显示共享数据的预期输出。了解how to ask a good question 和how to give a reproducible example。

【参考方案1】：

这是您可以尝试使用的东西。我确信有比这更好的方法，但它似乎有效。

通过识别作为 3 天序列开始的行进行过滤。为此，请计算日期之间的差异 diff，并确定随后两行的 diff 为一天的日期。

知道序列的开始日期后，您可以将其枚举为sequence。然后，使用map 根据这些开始日期扩展为 3 天序列。之后，您可以在将user_id 和sequence 分组后再次枚举day。

最后，将结果加入到您的原始数据中以获得您的Var_1、Var_2 等。

library(dplyr)
library(tidyr)

df %>%
  select(user_id, date) %>%
  group_by(user_id) %>%
  mutate(diff = c(0, diff(date))) %>%
  filter((lead(diff, 1L) == 1 & lead(diff, 2L) == 1)) %>%
  mutate(sequence = row_number(),
         date = map(date, seq.Date, length = 3, by = "1 day")) %>%
  unnest(cols = date) %>%
  group_by(user_id, sequence) %>%
  mutate(day = row_number()) %>%
  inner_join(df, by = c("user_id", "date")) %>%
  select(-diff)

输出

   user_id date       sequence   day Var_1 Var_2
     <dbl> <date>        <int> <int> <int> <int>
 1       1 2020-01-03        1     1     2    17
 2       1 2020-01-04        1     2     3    16
 3       1 2020-01-05        1     3     4    15
 4       1 2020-01-04        2     1     3    16
 5       1 2020-01-05        2     2     4    15
 6       1 2020-01-06        2     3     5    14
 7       1 2020-01-12        3     1     7    12
 8       1 2020-01-13        3     2     8    11
 9       1 2020-01-14        3     3     9    10
10       2 2020-01-15        1     1    16     3
11       2 2020-01-16        1     2    17     2
12       2 2020-01-17        1     3    18     1

数据

df <- structure(list(user_id = c(1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 
2, 2, 2, 2, 2, 2), date = structure(c(18262, 18264, 18265, 18266, 
18267, 18271, 18273, 18274, 18275, 18262, 18264, 18265, 18267, 
18271, 18273, 18276, 18277, 18278), class = "Date"), Var_1 = 1:18, 
    Var_2 = 18:1), class = "data.frame", row.names = c(NA, -18L
))

【讨论】：

嗨 Ben 非常感谢您的贡献，这对您有很大帮助！最良好的祝愿，埃里克