R语言按用户ID分组如何保留$identify事件后的前5行数据

核心逻辑 #

• 基于已按用户ID、时间排序的DataFrame按用户ID分组处理，无需额外排序
• 先过滤没有$identify事件的用户，定位每个用户首个$identify事件的位置
• 新增紧邻事件判断：如果$identify的下一条事件为Welcome - Confirm Emails，仅保留$identify作为该用户路径的最后一个事件
• 不满足上述触发条件时，保留$identify之后的前5条事件（可调整切片规则实现包含$identify在内的共5条路径记录）

代码示例 #

import pandas as pd

def process_user_path(group):
    # 重置分组内索引，避免全局索引不连续导致的取值错误
    group_inner = group.reset_index(drop=True)
    # 定位当前用户首个$identify事件的位置
    identify_pos = group_inner[group_inner['事件'] == '$identify'].index
    if len(identify_pos) == 0:
        # 无$identify事件的用户直接过滤
        return pd.DataFrame()
    first_identify_pos = identify_pos[0]
    total_rows = len(group_inner)
    
    # 若$identify是用户的最后一条记录，直接返回
    if first_identify_pos == total_rows - 1:
        return group_inner.iloc[[first_identify_pos]]
    
    # 检查$identify下一条事件是否为目标邮件事件
    next_event = group_inner.iloc[first_identify_pos + 1]['事件']
    if next_event == 'Welcome - Confirm Emails':
        # 仅保留$identify作为路径终点
        return group_inner.iloc[[first_identify_pos]]
    else:
        # 原需求：取$identify之后的前5条记录
        # 若需要包含$identify在内共5条，修改为 group_inner.iloc[first_identify_pos : first_identify_pos + 5]
        end_pos = min(first_identify_pos + 5, total_rows - 1)
        return group_inner.iloc[first_identify_pos + 1 : end_pos + 1]

# 替换df为你的DataFrame变量名，需保证df已提前按用户ID、时间升序排序
result = df.groupby('用户ID', group_keys=False).apply(process_user_path).reset_index(drop=True)

内容的提问来源于stack exchange，提问作者d3hero23