使用dplyr实现分组数据框中连续值序列的可扩展检测方法

需求说明 #

在分组后的data.frame中，识别Signal列出现连续N个1的情况，并在第N个1所在的行将Alert列设为TRUE。当前基于lag()的实现方案在N较大（比如30）时，需要编写大量重复的lag()条件，代码冗长且难以维护，需要更具扩展性的解决方法。

示例数据 #

df <- data.frame(Group = c("A", "A", "A", "A", "B", "B", "B", "C", "C", "C", "C"),
                 Signal = c(1, 1, 1, 0, 0, 1, 0, 0, 1, 1, 1))

当前方案的局限性 #

当前使用lag()的实现逻辑如下：

df <- df %>%
  group_by(Group) %>%
  mutate(Alert = ifelse(Signal == 1 & lag(Signal) == 1 & lag(Signal, 2) == 1, "Yes", "No"))

当需要检测连续30个1时，需要手动添加29个lag()条件，代码可读性和扩展性极差，极易出错。

可扩展的解决方案 #

以下几种方法仅需修改目标连续次数n_consecutive的值，即可适配任意长度的连续模式检测，无需调整代码结构：

方法1：使用slider包的滑动窗口求和

slider包提供了灵活的滑动窗口工具，可轻松计算指定窗口内的求和：

library(dplyr)
library(slider)

# 设置需要检测的连续1的数量
n_consecutive <- 3

df <- df %>%
  group_by(Group) %>%
  mutate(
    # 滑动窗口包含当前行及前n_consecutive-1行，仅当窗口元素完整时计算求和
    consecutive_sum = slide_dbl(Signal, ~sum(.x), .before = n_consecutive - 1, .complete = TRUE),
    Alert = consecutive_sum == n_consecutive
  ) %>%
  ungroup() %>%
  select(-consecutive_sum) # 可选：移除中间计算列

逻辑说明：当滑动窗口内的求和结果等于n_consecutive时，说明窗口内的所有值都是1，当前行即为连续N个1的结尾位置。

方法2：使用zoo包的滚动求和

zoo包的rollsum()函数可快速实现滚动窗口求和：

library(dplyr)
library(zoo)

n_consecutive <- 3

df <- df %>%
  group_by(Group) %>%
  mutate(
    # 滚动窗口大小为n_consecutive，对齐方式为"right"（窗口结束于当前行）
    consecutive_sum = rollsum(Signal, k = n_consecutive, fill = NA, align = "right"),
    Alert = consecutive_sum == n_consecutive
  ) %>%
  ungroup() %>%
  select(-consecutive_sum)

逻辑说明：和滑动窗口方法类似，rollsum()计算当前行及前N-1行的和，结果等于N时标记Alert为TRUE。

方法3：使用游程编码（rle）

利用R内置的rle()函数对连续值进行编码，定位符合条件的游程：

library(dplyr)

n_consecutive <- 3

df <- df %>%
  group_by(Group) %>%
  mutate(
    # 生成游程相关的长度和值
    rle_length = rep(rle(Signal)$lengths, rle(Signal)$lengths),
    rle_value = rep(rle(Signal)$values, rle(Signal)$lengths),
    # 计算当前位置在所属游程内的序号
    within_rle_pos = row_number() - cumsum(rle_length) + rle_length,
    # 标记Alert：游程值为1、长度≥N，且当前是游程内第N个及以后的位置
    Alert = rle_value == 1 & rle_length >= n_consecutive & within_rle_pos >= n_consecutive
  ) %>%
  ungroup() %>%
  select(-rle_length, -rle_value, -within_rle_pos)

逻辑说明：先识别出所有长度≥N的连续1游程，再在这些游程中标记第N个及以后的位置为TRUE（对应连续N个1的结尾位置）。

结果示例 #

以n_consecutive=3为例，处理后的df结果如下：

内容的提问来源于stack exchange，提问作者TheGoat