基于16小时步长筛选时间差DataFrame的R语言技术求助

需求说明 #

我有一个包含diff_h列（存储当前行与前一行的小时时间差）的DataFrame，行是连续序列。需筛选出构成16小时规则步长的行，删除非16小时步长的中间行，规则如下：

• NA会中断累计（如8、NA、8无法凑成16）
• 无法凑成16的4/8小时差需设为NA

此前提供的代码仅保留少量有效步长，现给出输入示例、现有代码及期望输出，寻求正确实现方案。

输入示例 #

ID      Datetime        diff_h
134_18  7/27/2018 0:00  NA
134_18  7/27/2018 19:00 19
134_18  7/28/2018 0:00  5
134_18  7/28/2018 8:00  8
134_18  7/28/2018 16:00 8
134_18  7/29/2018 0:00  8
134_18  7/29/2018 8:00  8
134_18  7/29/2018 12:00 4
134_18  7/30/2018 16:00 4
134_18  7/30/2018 20:00 4
134_18  7/30/2018 16:00 8
134_18  7/31/2018 0:00  8
134_18  7/31/2018 8:00  8
134_18  7/31/2018 16:00 8
134_18  8/1/2018 8:00   16
134_18  8/1/2018 16:00  8
134_18  8/2/2018 0:00   8
134_18  8/2/2018 8:00   8
134_18  8/2/2018 16:00  8

现有代码及问题 #

现有代码（已删除报错的%>% select(-grp) %>%）：

data1 <- test %>% 
  group_by(ID, grp = rleid(diff_h %/% 16)) %>% 
  mutate(diff_h = cumsum(diff_h), 
         diff_h = replace(diff_h, n() ==1 & diff_h != 16, NA_real_))  %>% 
  ungroup %>%
  filter(diff_h == 16|is.na(diff_h))

现有输出仅保留了少量有效步长，不符合需求：

134_18  7/27/2018 0:00  NA  1
134_18  7/27/2018 19:00 NA  2
134_18  8/1/2018 8:00   16  4
134_18  8/2/2018 0:00   16  5

期望输出 #

ID  Datetime    diff_h
134_18  7/27/2018 0:00  NA
134_18  7/27/2018 19:00 NA
134_18  7/28/2018 0:00  NA
134_18  7/28/2018 16:00 16
134_18  7/29/2018 8:00  16
134_18  7/29/2018 12:00 NA
134_18  7/30/2018 16:00 16
134_18  7/31/2018 8:00  16
134_18  7/31/2018 16:00 NA
134_18  8/1/2018 8:00   16
134_18  8/2/2018 0:00   16
134_18  8/2/2018 16:00  16

正确实现方案 #

使用dplyr结合data.table的rleid函数，按规则分组累计并筛选：

library(dplyr)
library(data.table)

result <- test %>%
  # 按ID分组，同时用rleid标记NA中断的连续组
  group_by(ID, grp = rleid(is.na(diff_h))) %>%
  mutate(
    # 计算每组内的累计小时差（NA行不计入累计）
    cum_diff = cumsum(ifelse(is.na(diff_h), 0, diff_h)),
    # 标记累计差刚好达到16倍数的行
    is_16_step = cum_diff %in% seq(16, max(cum_diff, na.rm = TRUE), 16),
    # 生成最终的diff_h列
    new_diff_h = case_when(
      # NA行保持NA
      is.na(diff_h) ~ NA_real_,
      # 凑成16的行设为16
      is_16_step ~ 16,
      # 每组最后一行若无法凑成16，设为NA
      row_number() == n() & (cum_diff %% 16) != 0 ~ NA_real_,
      # 其他中间行标记为待删除
      TRUE ~ NA_real_
    ),
    # 标记需要保留的行：NA行、16步长节点、每组最后无法凑成的行
    keep = is.na(diff_h) | is_16_step | (row_number() == n() & (cum_diff %% 16) != 0)
  ) %>%
  ungroup() %>%
  # 过滤保留目标行
  filter(keep) %>%
  # 选择需要的列并重命名
  select(ID, Datetime, diff_h = new_diff_h)

代码逻辑说明 #

1. 分组规则：用rleid(is.na(diff_h))确保NA会中断累计分组，每组内是连续的非NA时间差序列。
2. 累计计算：cum_diff计算每组内的累计小时差，NA行不参与累计。
3. 步长标记：is_16_step定位累计差刚好达到16的倍数的行，这些行就是16小时步长的节点。
4. 值处理：new_diff_h按规则赋值：NA行保留NA，16步长节点设为16，每组最后无法凑成16的行设为NA。
5. 行筛选：keep标记需要保留的行，过滤后得到符合期望的结果。

内容的提问来源于stack exchange，提问作者Beardedant