R语言基于两列填充Activity列及连续去重方法

核心使用dplyr包完成分组排序、滞后值计算、连续重复值去重操作，全程按会话独立计算，避免跨会话数据干扰。

实现步骤 #

• 先按Session分组、Row#升序排序，保证每个会话内的点击行为顺序和原始数据一致
• 按规则逐行生成初始Activity值：
  • 若当前行Click取值为Enter，Activity直接取当前行Page值
  • 若当前行Page和同会话内上一行Page值一致，Activity取当前行Click值
  • 其余非Enter、且页面发生跳转的场景，Activity取当前行Click值（该场景对应跨页面点击行为，符合路径记录逻辑）
• 按会话分组，对连续重复的Activity值做去重，仅保留第一条记录，满足连续相同Click仅留1条的要求
• 最终筛选输出Session、Activity两列即可

代码实现 #

首次运行需先安装依赖包：

install.packages("dplyr")

核心计算代码，将代码中的df替换为你自己的原始数据集变量名即可运行：

library(dplyr)

result <- df %>%
  # 按会话分组，按行号排序保证行为顺序正确
  group_by(Session) %>%
  arrange(Row#, .by_group = TRUE) %>%
  # 逐行计算初始Activity取值
  mutate(
    lag_page = lag(Page, default = ""),
    Activity = case_when(
      Click == "Enter" ~ Page,
      Page == lag_page ~ Click,
      TRUE ~ Click
    )
  ) %>%
  # 标记连续重复的Activity值，过滤重复项
  mutate(
    lag_activity = lag(Activity, default = ""),
    is_consecutive_dup = Activity == lag_activity
  ) %>%
  filter(!is_consecutive_dup) %>%
  # 保留最终需要的输出列
  select(Session, Activity) %>%
  ungroup()

注意事项 #

• 所有计算均在单个Session分组内完成，不会出现跨会话连续值判断的错误
• 针对连续2条及以上相同Click的场景，代码会自动识别连续重复的Activity值，仅保留第一条记录，和规则要求完全匹配
• 如果原始数据存在缺失值、异常Click取值，直接在case_when判断逻辑中新增对应规则即可适配

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