子集r数据框按因子级别，阈值首次越过阈值后删除所有行

Question

我有一些Web会话数据，我试图在一定时间之后（假设10天）从上次访问中排除所有观察结果。我有一个ID，一个访问和一个计算出的约会者，代表自上次访问以来过去的日子。我的身份证是因素，所以我需要解决方案才能在许多因素级别上工作。

样本数据：

test_data <- data.frame(ID=c("abc123","abc123","abc123","abc123"),
                    VisitNum=c(1,2,3,4),
                    DateDiff=c(0,5,30,5))

由于第三次访问发生在第二次访问后30天，所以我想从数据框架中排除第三次和第四次访问。我提出的解决方案将排除第三次访问，但留下第四次 - 这不是我需要的。

我所需的结果看起来像这样：

test_results <- data.frame(ID=c("abc123","abc123"),
                       VisitNum=c(1,2),
                       DateDiff=c(0,5))

谢谢！

Answer 1

在此示例中，您可以使用基本r函数 cummin：

test_data[as.logical(cummin(test_data$DateDiff < 10)), ]
      ID VisitNum DateDiff
1 abc123        1        0
2 abc123        2        5

将其应用于多个ID时，您可以使用基本R函数ave：

test_data[as.logical(ave(test_data$DateDiff, test_data$ID,
                         FUN=function(i) cummin(i < 10))), ]
      ID VisitNum DateDiff
1 abc123        1        0
2 abc123        2        5
6 abc323        2        5
7 abc323        3        5

在这里，使用as.logical是因为我们依赖于逻辑子输出，而ave返回初始向量的模式。

---

data.table中的同等操作将为

library(data.table
setDT(data.table)
test_data[as.logical(test_data[,cummin(DateDiff < 10), by=ID]$V1)]

数据

test_data <- 
structure(list(ID = structure(c(1L, 1L, 1L, 1L, 2L, 3L, 3L),
.Label = c("abc123", "abc223", "abc323"), class = "factor"),
VisitNum = c(1, 2, 3, 4, 2, 2, 3), DateDiff = c(0, 5, 30, 5, 20, 5, 5)),
Names = c("ID", "VisitNum", "DateDiff"), row.names = c(NA, -7L),
class = "data.frame")

Answer 2

您也可以使用which。

test_data[1:(which(test_data$DateDiff > 10)[1] - 1),]

对于较大的数据集来说，这似乎更快

test_data <- data.frame(ID=sample(c("abc123","abc123","abc123","abc123"),2000,T),
                        VisitNum=1:2000,
                        DateDiff=sample(c(0,5,30,5),2000,T))
a <- function(dat) dat[1:(which(dat$DateDiff > 10)[1] - 1),]
b <- function(dat) dat[as.logical(cummin(dat$DateDiff < 10)), ]
microbenchmark(a(test_data), b(test_data), times = 1000)
## Unit: microseconds
##          expr     min       lq     mean  median      uq        max neval cld
##  a(test_data) 141.198 146.1895 197.6538 151.507 167.880   2326.238  1000  a 
##  b(test_data) 196.443 201.4810 496.1748 209.448 235.708 137785.448  1000   b

功能B在中位执行时间的中位执行时间超过1000行的数据集，该数据集具有2000行。