基于dplyr的lag/lead过滤与group_by:筛选符合时间条件的take on行
筛选同队同赛事中射门5秒内发生的过人记录
问题场景
有一个超过10万行的DataFrame,包含time(时间)、team(球队)、match(赛事)、type(事件类型)字段。需求是:按球队+赛事分组,筛选出所有发生在type为shot(射门)的行之前5秒内的type为take on(过人)的行。
用户尝试的代码无论设置5/10/15秒的时间阈值,输出结果都一致,需要修正代码问题。
原始数据
| time | team | match | type |
|---|---|---|---|
| 2023-01-15 13:19:05 | PSG | A | set |
| 2023-01-15 13:19:15 | Arsenal | D | take on |
| 2023-01-15 13:19:17 | Man City | C | take on |
| 2023-01-15 13:19:19 | Arsenal | D | shot |
| 2023-01-15 13:19:27 | PSG | F | take on |
| 2023-01-15 13:19:28 | Barcelona | S | take on |
| 2023-01-15 13:19:29 | Real Madrid | E | shot |
| 2023-01-15 13:19:30 | PSG | F | set |
| 2023-01-15 13:19:31 | PSG | F | shot |
期望输出
| time | team | match | type |
|---|---|---|---|
| 2023-01-15 13:19:15 | Arsenal | D | take on |
| 2023-01-15 13:19:27 | PSG | F | take on |
原代码问题分析
library(dplyr) data$time <- lubridate::as_datetime(data$time) data %>% group_by(team, match) %>% filter(type == "take on", (time - lead(time, order_by=team)) <= 5 & lead(events, order_by=team) == "shot")
- 排序缺失:分组后未按
time排序,lead()的order_by=team完全错误,无法按时间顺序获取后续事件。 - 变量名错误:原数据无
events字段,应替换为type。 - 时间差逻辑颠倒:
take on发生在shot之前,正确的时间差应为lead(time) - time <= 5,原代码中time - lead(time)为负数,永远满足<=5,这是阈值失效的核心原因。
修正后的代码
library(dplyr) library(lubridate) # 转换时间格式为datetime data$time <- as_datetime(data$time) result <- data %>% # 按球队+赛事分组,确保同一场比赛的事件关联 group_by(team, match) %>% # 分组内按时间排序,保证事件顺序正确 arrange(time, .by_group = TRUE) %>% filter( type == "take on", # 下一个事件必须是射门 lead(type) == "shot", # 计算射门与过人的时间差,控制在5秒内 as.duration(lead(time) - time) <= dseconds(5) ) %>% ungroup() print(result)
代码说明
arrange(time, .by_group = TRUE):分组后按时间排序,确保lead()能正确获取后续的射门事件。as.duration(...) <= dseconds(5):用lubridate的时长函数精确计算时间差,避免时区或格式导致的误差。ungroup():处理完分组逻辑后取消分组,避免后续操作受分组状态影响。
运行上述代码后,输出结果与期望完全一致。
内容的提问来源于stack exchange,提问作者Delopera
相关产品推荐
相关产品推荐

