如何在R语言分组数据中识别含指定长度连续非零序列的组

问题描述 #

需要在分组数据中，筛选出包含指定长度连续非零数值序列的组。以给定的示例数据为例，目标是找到包含长度为5的连续非零序列的组，仅组b符合要求。

示例数据：

set.seed(123)
df <- data.frame(
  id = seq(1:40),
  grp = sort(rep(letters[1:4], 10)),
  x = c(
    c(0, sample(1:10, 3), rep(0, 6)), 
    c(0, 0, sample(1:10, 5), rep(0, 3)), 
    c(rep(0, 6), sample(1:10, 4)),
    c(0, 0, sample(1:10, 3), 0, sample(1:10, 2), 0, 0))
)

原方法的局限：
使用cumsum的方法仅统计非零值的总数，无法区分是否连续，会误判如组d这类非零值总数够但不连续的组：

library(dplyr)
df %>% 
  group_by(grp) %>% 
  mutate(cc = cumsum(x != 0)) %>% filter(cc == 5) %>% distinct(grp)

解决方案 #

使用rle()（运行长度编码）函数，统计每个分组内连续非零值的长度，直接判断是否存在符合要求的连续段：

library(dplyr)

# 设置目标连续非零长度
target_length <- 5

# 筛选符合条件的分组
df %>%
  group_by(grp) %>%
  summarize(has_valid_sequence = any(with(rle(x != 0), lengths[values] >= target_length))) %>%
  filter(has_valid_sequence) %>%
  select(grp)

代码解释 #

1. rle(x != 0)：对每个分组的x列，生成"是否非零"的运行长度编码，返回包含values（是否非零）和lengths（连续长度）的列表。
2. lengths[values]：提取所有连续非零段的长度。
3. any(...) >= target_length：判断当前分组是否存在长度达标连续非零段。
4. 最后筛选出符合条件的分组，仅返回grp列。

运行上述代码后，输出结果仅包含组b，符合预期。

内容的提问来源于stack exchange，提问作者EJJ