在R语言中识别用户行为序列的起止区块

示例数据集 #

df <- structure(list(
  sess_id = c(189, 189, 189, 189, 189, 189, 189, 189, 189, 189, 124, 124,124,124,124),
  Activity = c("home", "pg1", "pg2", "cart", "pg3", "pg2", "home", "pg3", "cart","pg1","home","pg2", "pg3", "cart", "pg2"),
  ts = c("2002-06-09 12:45:40","2002-06-09 12:46:01","2002-06-09 12:46:30","2002-06-09 12:47:00","2002-06-09 12:47:50", "2002-06-09 12:49:51", "2002-06-09 12:49:59", "2002-06-09 13:00:00", "2002-06-09 13:30:00", "2002-06-09 13:31:02", "2002-06-09 13:31:45", "2002-06-09 13:32:28", "2002-06-09 13:32:30", "2002-06-09 13:32:32", "2002-06-09 13:33:28")),
  .Names = c("sess_id", "Activity", "ts"),
  row.names = c(NA, -15L),
  class = "data.frame")

需求说明 #

按sess_id分组，分析用户行为序列，提取每个会话中以home为起点、cart为终点的连续行为区块，给区块内的所有行标记index=1，区块外的行标记index=0。例如sess_id=189包含两个目标区块：home, pg1, pg2, cart 和 home, pg3, cart。

现有尝试的问题 #

以下代码仅能标记home和cart这两个起止点，无法标记两者之间的行为：

df %>%
  group_by(sess_id) %>%
  arrange(ts) %>% 
  mutate(index = case_when(Activity == "home" | Activity == "cart" ~ 1, TRUE ~ 0)) %>% 
  mutate(index = as.numeric(index)) %>%
  ungroup()%>%
  mutate(block_index = cumsum(index)) 

解决方案 #

可以通过标记区块的激活状态来实现：在每个会话内，当遇到home时激活标记（进入区块），遇到cart时关闭标记（退出区块），中间的行保持激活状态。代码如下：

library(dplyr)

df %>%
  group_by(sess_id) %>%
  arrange(ts, .by_group = TRUE) %>%
  # 标记区块的激活状态：1=激活，0=未激活
  mutate(
    # 初始化激活状态，默认0
    active = 0,
    # 遇到home时激活
    active = ifelse(Activity == "home", 1, active),
    # 遇到cart时关闭激活（滞后一行，因为cart本身属于区块）
    active = ifelse(Activity == "cart", 0, active),
    # 向前填充激活状态，让home到cart之间的行都保持1
    active = lag(active, default = 0),
    # 修正cart的标记，确保属于区块
    index = ifelse(Activity == "cart", 1, active),
    # 修正home的标记，确保属于区块
    index = ifelse(Activity == "home", 1, index)
  ) %>%
  select(-active) %>%
  ungroup()

逻辑解释 #

1. 按会话分组并按时间排序，确保行为序列顺序正确。
2. 初始化active列标记区块激活状态，遇到home设为1，遇到cart设为0。
3. 使用lag()向前填充激活状态，让home之后到cart之前的所有行保持激活状态（1）。
4. 单独修正cart和home的标记，确保它们本身属于目标区块。
5. 最终得到index列，1表示属于目标区块，0表示不属于。

期望输出 #

内容的提问来源于stack exchange，提问作者user2845095