在R中为带随机中断的重复值按组进行子分组

问题描述 #

我们有如下分组数据集：

group value
1      A     0
2      A    24
3      A     0
4      A    24
5      A     0
6      A     0
7      B     0
8      B    24
9      B     0
10     B     0
11     B    24
12     B     0

需要按group分组后，将连续的0->24配对归为同一个子组；若某个0之后没有对应的24，则该0单独成组，最终得到如下结果：

group value subgroup
1      A     0        1
2      A    24        1
3      A     0        2
4      A    24        2
5      A     0        3
6      A     0        4
7      B     0        1
8      B    24        1
9      B     0        2
10     B     0        3
11     B    24        3
12     B     0        4

数据集的可复现代码：

df <- structure(list(group = c("A", "A", "A", "A", "A", "A", "B", "B", 
"B", "B", "B", "B"), value = c(0, 24, 0, 24, 0, 0, 0, 24, 0, 
0, 24, 0)), class = "data.frame", row.names = c(NA, -12L))

解决方案1：使用dplyr包 #

通过分组标记新子组起点，再累积计数实现子组划分：

library(dplyr)

df_result <- df %>%
  group_by(group) %>%
  # 标记新子组的起始行：首行或当前为0且上一行不是24时，视为新组起点
  mutate(
    is_new_subgroup = case_when(
      row_number() == 1 ~ TRUE,
      value == 0 & lag(value) != 24 ~ TRUE,
      TRUE ~ FALSE
    ),
    subgroup = cumsum(is_new_subgroup)
  ) %>%
  # 将24所在行的子组编号与前一行的0保持一致
  mutate(subgroup = ifelse(value == 24, lag(subgroup), subgroup)) %>%
  select(-is_new_subgroup) %>%
  ungroup()

print(df_result)

逻辑说明： #

1. 分组处理：按group分组，保证每个组内独立计算子组
2. 标记新组起点：首行必然是新组；若当前行是0且上一行不是24，说明该0无法和前一个24配对，需单独成组
3. 累积计数：通过cumsum对标记的新组起点计数，得到初始子组编号
4. 修正24的子组编号：将24所在行的子组编号替换为前一行0的编号，实现0->24配对同组
5. 清理辅助列：移除标记用的辅助列并取消分组

解决方案2：使用data.table包（适合大数据场景） #

若数据集体量较大，data.table的语法更高效：

library(data.table)

setDT(df)

# 分组标记新子组起点并计算初始子组编号
df[, `:=`(
  is_new_subgroup = shift(value, fill = -1) != 24 & value == 0 | .I == 1,
  subgroup = cumsum(shift(value, fill = -1) != 24 & value == 0 | .I == 1)
), by = group]

# 修正24行的子组编号
df[value == 24, subgroup := shift(subgroup)]

# 移除辅助列
df[, is_new_subgroup := NULL]

print(df)

逻辑说明： #

和dplyr方案核心逻辑一致，利用data.table的shift函数获取前一行值，通过分组操作实现高效计算。

内容的提问来源于stack exchange，提问作者Quinten