如何用dplyr统计R数据框中连续的6 QC条目并分组命名

好的，我来帮你搞定这个需求！要找出连续的6个QC值为"6"的条目（从你的数据来看，应该是指QC列等于"6"的连续行），并按顺序命名为Set 1、Set 2等，我们可以结合**游程编码（rle）**和数据处理工具来实现，下面是具体的步骤和代码：

步骤1：准备数据并确保时间顺序正确 #

首先，我们需要确保数据是按日期和小时桶的时间顺序排列的，因为原始的Hour_Bucket是字符串格式（比如"0-1"），直接排序可能会出问题，所以先提取起始小时来辅助排序：

# 如果用dplyr的话
library(dplyr)

# 假设你的数据框名为df
df <- df %>%
  mutate(
    # 提取小时桶的起始小时，用于正确排序
    start_hour = as.numeric(substr(Hour_Bucket, 1, regexpr("-", Hour_Bucket)-1)),
    # 标记每行是否是目标QC条目（QC值为"6"）
    is_target = QC == "6"
  ) %>%
  arrange(Date, start_hour) # 按日期和起始小时排序

步骤2：识别连续的目标条目组 #

接下来用rle()函数识别连续的目标条目（is_target为TRUE的行），然后筛选出长度≥6的连续组：

# 计算连续目标条目的游程信息
rle_result <- rle(df$is_target)

# 找出所有符合条件的游程（连续6个及以上目标条目）
valid_runs <- which(rle_result$values & rle_result$lengths >= 6)

# 初始化Set列，默认值为NA
df$Set <- NA_integer_

# 给每个有效游程分配Set编号
current_set <- 1
for (run in valid_runs) {
  # 计算当前游程的起始和结束行位置
  start_pos <- sum(rle_result$lengths[1:(run-1)]) + 1
  end_pos <- sum(rle_result$lengths[1:run])
  # 为对应行设置Set编号
  df$Set[start_pos:end_pos] <- current_set
  current_set <- current_set + 1
}

步骤3：（可选）筛选出有Set编号的行 #

如果你只需要保留属于某个Set的条目，可以用下面的代码过滤：

df_filtered <- df %>% filter(!is.na(Set))

用data.table实现更高效的处理（适合大数据） #

如果你的数据量很大（比如10个月的每日24条数据，其实不算大，但习惯用data.table的话），可以用更简洁高效的写法：

library(data.table)
setDT(df)

# 处理排序和标记目标条目
df[, `:=`(
  start_hour = as.numeric(substr(Hour_Bucket, 1, regexpr("-", Hour_Bucket)-1)),
  is_target = QC == "6"
)][order(Date, start_hour)]

# 生成游程ID并计算每个游程的长度
df[, run_id := rleid(is_target)]
df[, run_length := .N, by = run_id]

# 筛选出符合条件的游程并分配Set编号
valid_runs <- unique(df[is_target & run_length >=6, run_id])
df[run_id %in% valid_runs, Set := match(run_id, valid_runs)]

说明 #

• 这里默认你要找的是连续6个及以上QC值为"6"的条目，如果你的需求是连续6个Type为QC的条目（但你的数据Type都是QC），只需要把is_target = QC == "6"改成is_target = Type == "QC"即可。
• 连续超过6个的条目会被归为同一个Set（比如连续8个会全部标记为同一个Set编号），如果你需要每6个拆分一组，可以调整逻辑，但根据你的描述，应该是把连续的一段作为一个Set。

内容的提问来源于stack exchange，提问作者Neil