如何按组提取indicator为TRUE行及之后首次value变更的行？

原始数据 #

我们有如下名为df的DataFrame：

df <- structure(list(group = c("A", "A", "A", "A", "A", "A", "A", "A", 
"B", "B", "B", "B", "B", "B", "B", "B"), date = structure(c(1667260800, 
1667268000, 1667271600, 1667275200, 1667278800, 1667282400, 1667293200, 
1667300400, 1667260800, 1667264400, 1667268000, 1667278800, 1667282400, 
1667286000, 1667296800, 1667304000), class = c("POSIXct", "POSIXt"
), tzone = ""), indicator = c(FALSE, FALSE, FALSE, FALSE, TRUE, 
FALSE, FALSE, FALSE, FALSE, FALSE, FALSE, TRUE, FALSE, FALSE, 
FALSE, FALSE), value = c(2, 1, 2, 1, 1, 1, 2, 1, 1, 2, 1, 1, 
1, 1, 2, 2)), row.names = c(NA, -16L), class = "data.frame")

需求说明 #

按group分组，完成两个提取操作：

• 提取每个组中indicator == TRUE的行
• 提取该行之后第一个value与TRUE行的value不相等的行

最终期望输出df_desired：

df_desired <- structure(list(group = c("A", "A", "B", "B"), date = c("2022-11-01 06:00:00", 
"2022-11-01 10:00:00", "2022-11-01 06:00:00", "2022-11-01 11:00:00"
), indicator = c(TRUE, FALSE, TRUE, FALSE), value = c(1, 2, 1, 
2)), class = "data.frame", row.names = c(NA, -4L))

解决方案 #

使用dplyr包的分组操作可以高效实现需求，代码如下：

library(dplyr)

result <- df %>%
  group_by(group) %>%
  # 存储当前组中indicator为TRUE的行的value值
  mutate(true_value = value[indicator == TRUE]) %>%
  # 筛选目标行：indicator为TRUE的行，以及TRUE行后第一个value不同的行
  filter(indicator == TRUE | 
           (row_number() > which(indicator == TRUE) & 
              value != true_value & 
              row_number() == min(row_number()[row_number() > which(indicator == TRUE) & value != true_value]))) %>%
  # 移除临时辅助列
  select(-true_value) %>%
  ungroup()

# 查看结果
print(result)

代码逻辑说明 #

1. group_by(group)：按group字段分组，确保每个组独立处理
2. mutate(true_value = value[indicator == TRUE])：为每个组添加临时列，记录该组中indicator == TRUE行的value
3. filter()核心筛选：
   • 直接保留indicator == TRUE的行
   • 筛选满足三个条件的行：行号在TRUE行之后、value不等于true_value、是满足前两个条件的第一行（通过min(row_number())取最小行号）
4. select(-true_value)：清理临时辅助列
5. ungroup()：取消分组状态，恢复普通DataFrame结构

运行代码后，输出结果与df_desired完全一致。

内容的提问来源于stack exchange，提问作者Quinten