我正在尝试在数据帧中后续组中的项目之间执行比较 - 我想当你知道自己在做什么时，这很容易......
我的数据集可以表示如下：
set.seed(1)
data <- data.frame(
date = c(rep('2015-02-01',15), rep('2015-02-02',16), rep('2015-02-03',15)),
id = as.character(c(1005 + sample.int(10,15,replace=TRUE), 1005 + sample.int(10,16,replace=TRUE), 1005 + sample.int(10,15,replace=TRUE)))
)
这将生成如下所示的数据帧：
date id
1/02/2015 1008
1/02/2015 1009
1/02/2015 1011
1/02/2015 1015
1/02/2015 1008
1/02/2015 1014
1/02/2015 1015
1/02/2015 1012
1/02/2015 1012
1/02/2015 1006
1/02/2015 1008
1/02/2015 1007
1/02/2015 1012
1/02/2015 1009
1/02/2015 1013
2/02/2015 1010
2/02/2015 1013
2/02/2015 1015
2/02/2015 1009
2/02/2015 1013
2/02/2015 1015
2/02/2015 1008
2/02/2015 1012
2/02/2015 1007
2/02/2015 1008
2/02/2015 1009
2/02/2015 1006
2/02/2015 1009
2/02/2015 1014
2/02/2015 1009
2/02/2015 1010
3/02/2015 1011
3/02/2015 1010
3/02/2015 1007
3/02/2015 1014
3/02/2015 1012
3/02/2015 1013
3/02/2015 1007
3/02/2015 1013
3/02/2015 1010
然后我想按日期(group_by(对数据进行分组，然后在组之间进行比较之前过滤掉重复项(不同(。我想做的是每天确定添加哪些新id以及哪个ID离开。 因此，将比较第 1 天和第 2 天以确定第 2 天中不在第 1 天的 id 和第 1 天中不存在的 id，然后在第 2 天和第 3 天之间做相同的比较等.
可以使用anti_join (dplyr( 非常容易地进行比较，但我不知道如何引用数据集中的各个组。
我的尝试(或我的一次尝试(如下所示：
data %>%
group_by(date) %>%
distinct(id) %>%
do(lost = anti_join(., lag(.), by="id"))
但这当然行不通，我只是得到：
Error in anti_join_impl(x, y, by$x, by$y) : Can't join on 'id' x 'id' because of incompatible types (factor / logical)
我正在尝试做的事情是否可能，或者我应该考虑编写一个笨拙的函数来做到这一点？
我确定我不能投票支持我自己的答案，但我必须说我最喜欢我的。 我希望得到一个使用 dplyr 工具来解决问题的答案，所以我一直在研究，我想我现在有一个(半(优雅的解决方案(除了我的函数中的 for 循环(。
以相同的方式生成示例数据集，但使用更多数据使其更有趣：
set.seed(1)
data <- data.frame(
date = c(rep('2015-02-01',15), rep('2015-02-02',16), rep('2015-02-03',15), rep('2015-02-04',15), rep('2015-02-05',15)),
id = as.character(c(1005 + sample.int(10,15,replace=TRUE), 1005 + sample.int(10,16,replace=TRUE), 1005 + sample.int(10,15,replace=TRUE), 1005 + sample.int(10,15,replace=TRUE), 1005 + sample.int(10,15,replace=TRUE)))
)
在互联网上搜索时，我找到了dplyr函数"nest(("，它看起来可以解决我所有的分组问题。 nest(( 函数采用 group_by(( 创建的组并将它们滚动到数据框列表中，因此您最终会为您分组的每个变量创建一个条目，然后是适合该组的所有剩余变量的数据框 - 这里是：
dataNested <- data %>%
group_by(date) %>%
distinct(id) %>%
nest()
这会产生一个相当奇怪的数据帧，如下所示：
date data
1 2015-02-01 list(id = c(3, 4, 6, 10, 9, 7, 1, 2, 8))
2 2015-02-02 list(id = c(5, 8, 10, 4, 3, 7, 2, 1, 9))
3 2015-02-03 list(id = c(6, 5, 2, 9, 7, 8))
4 2015-02-04 list(id = c(1, 5, 8, 7, 9, 3, 4, 6, 10))
5 2015-02-05 list(id = c(3, 5, 4, 7, 8, 1, 9))
由此，列表中的索引引用了id的列表(奇怪但真实(。
现在，这允许我们按索引号引用组，即：
dataNested$data[[2]]
返回：
# A tibble: 9 × 1
id
<fctr>
1 1010
2 1013
3 1015
4 1009
5 1008
6 1012
7 1007
8 1006
从这里开始，编写一个函数很简单，该函数将anti_join给我们留下每个后续组之间的差异(尽管这是我并不引以为豪的部分，并且真正开始显示我缺乏 R 技能 - 请随时提出改进建议(：
## Function departed() - returns the id's that were dropped from each subsequent time period
departed <- function(groups) {
tempList <- vector("list", nrow(groups))
# Loop through the groups and do an anti_join between each
for (i in seq(1, nrow(groups) - 1)) {
tempList[[i + 1]] <-
anti_join(data.frame(groups$data[[i]]), data.frame(groups$data[[i + 1]]), by = "id")
}
return(tempList)
}
将此函数应用于我们的嵌套数据会生成已离开 id 的列表：
> departedIDs <- dataNested %>% departed()
> departedIDs
[[1]]
NULL
[[2]]
id
1 1011
[[3]]
id
1 1006
2 1008
3 1009
4 1015
[[4]]
id
1 1007
[[5]]
id
1 1011
2 1015
我希望这个答案能帮助那些大脑工作方式与我相同的人。
我对这个问题的理解是，数据显示每个日期的 id，我们希望遍历日期，将该日期的 id 与前一个日期的 id 进行比较。
首先获取u的唯一行，并将id转换为数字。 然后通过给出sdate来分割id并定义一个函数diffs该函数使用删除 id 的负数生成添加 id 的数字向量。lapply除第一个组件之外的seq_along(s(，因为它没有先前的组件。 不使用任何包。
u <- unique(data)
u$id <- as.numeric(as.character(u$id))
s <- split(u$id, u$date)
diffs <- function(i) c(setdiff(s[[i]], s[[i-1]]), - setdiff(s[[i-1]], s[[i]]))
diffs_list <- setNames(lapply(seq_along(s)[-1], diffs), names(s)[-1])
给：
> diffs_list
$`2015-02-02`
[1] 1010 -1011
$`2015-02-03`
[1] 1011 -1015 -1009 -1008 -1006
或者，如果您希望数据框作为输出
setNames(stack(diffs_list), c("id", "date"))
给：
id date
1 1010 2015-02-02
2 -1011 2015-02-02
3 1011 2015-02-03
4 -1015 2015-02-03
5 -1009 2015-02-03
6 -1008 2015-02-03
7 -1006 2015-02-03
马格里特
这也可以使用 magrittr 包来表示，例如上面定义了diffs。
library(magrittr)
data %>%
unique %>%
transform(id = as.numeric(as.character(id))) %>%
{ split(.$id, .$date) } %>%
{ setNames(lapply(seq_along(.)[-1], diffs), names(.)[-1]) }
注意：我已将 -3 替换为 -03data$date。
只需将输入stringsAsFactors = FALSE添加到数据帧即可。这将使您的代码运行：尽管不确定输出的结果是否是您正在寻找的结果。要查看整个结果，请将其管道传输到 data.frame 中，看看它是否是您要查找的内容。希望这有帮助。
set.seed(1)
data <- data.frame(
date = c(rep('2015-02-01',15), rep('2015-02-02',16), rep('2015-02-3',15)),
id = as.character(c(1005 + sample.int(10,15,replace=TRUE), 1005 + sample.int(10,16,replace=TRUE), 1005 + sample.int(10,15,replace=TRUE))),stringsAsFactors = FALSE)
data %>%
group_by(date) %>%
distinct(id) %>%
do(lost = anti_join(., lag(.), by="id"))%>%data.frame()
对数据和合并进行一些操作可能会做你想要的。像这样的东西
df <- unique(data)
df$date <- as.Date(df$date)
df$leftdate <- df$date + 1
df$prevdate <- df$date - 1
df2 <- cbind(df[,c("date","id")],flag = 1)
# merge the dataframe so that each day would attempt to join the next day
dfleft <- merge(df,df2,by.x = c("leftdate","id"),by.y = c("date","id"),all.x= TRUE)
# if there is no common id between a day and the next day, the merge returns NA, which is the desired results for those who left
dfleft <- dfleft[is.na(dfleft$flag),c("leftdate","id")]
# Here, you reverse the logic to find those who show up today but weren't there yesterday
dfnew <- merge(df,df2,by.x = c("prevdate","id"),by.y = c("date","id"),all.x= TRUE)
dfnew <- dfnew[is.na(dfnew$flag),c("date","id")]