repetidos - seleccionar datos en r

Crear una columna de índice basada en grupos existentes de filas(con duplicados)

Question

La pregunta es similar a (Actualización) Agregar columna de índice a data.frame basado en dos columnas

Aquí mi ejemplo data.frame:

df = read.table(text = ''ID Day Count Count_group
77661 14498 4 5
76552 14498 4 5
37008 14498 4 5
34008 14498 4 5
30004 14497 1 5
30004 14497 1 4
28047 14496 3 4
28049 14496 3 4
29003 14496 3 4
69012 14468 1 4
69007 14467 3 4
69012 14467 3 4
69020 14467 3 4
42003 13896 2 4
42011 13896 2 4
22001 13895 2 4
23007 13895 2 4
28047 14496 3 3
28049 14496 3 3
29003 14496 3 3
69007 14467 3 3
69012 14467 3 3
69020 14467 3 3
48005 14271 2 2
48007 14271 2 2
22001 13895 2 2
23007 13895 2 2
47011 14320 1 2
73005 14319 1 2
73005 14319 1 1'', header = TRUE)

La columna de Count muestra la suma de los valores de ID agrupados por Day . Count_group muestra la suma de los valores únicos Count vales agrupados por Day y Day -1 .

Necesito crear una columna de índice que Count_group el Count_group por Day y Day -1 siguiendo el orden descendente de la df (¡con duplicados!).

Aquí mi resultado esperado:

ID Day Count Count_group index_col
77661 14498 4 5 1
76552 14498 4 5 1
37008 14498 4 5 1
34008 14498 4 5 1
30004 14497 1 5 1
30004 14497 1 4 2
28047 14496 3 4 2
28049 14496 3 4 2
29003 14496 3 4 2
69012 14468 1 4 3
69007 14467 3 4 3
69012 14467 3 4 3
69020 14467 3 4 3
42003 13896 2 4 4
42011 13896 2 4 4
22001 13895 2 4 4
23007 13895 2 4 4
28047 14496 3 3 5
28049 14496 3 3 5
29003 14496 3 3 5
69007 14467 3 3 6
69012 14467 3 3 6
69020 14467 3 3 6
48005 14271 2 2 7
48007 14271 2 2 7
22001 13895 2 2 8
23007 13895 2 2 8
47011 14320 1 2 9
73005 14319 1 2 9
73005 14319 1 1 10

Y haz lo mismo, pero con la agrupación index_col por 3 días: Day , Day -1 y Day -2 :

 df_2 = read.table(text = ''ID Day Count Count_group
30004 14497 1 5
28047 14496 3 5
28049 14496 3 5
29003 14496 3 5
69012 14495 1 5
69007 14467 3 5
69012 14467 3 5
69020 14467 3 5
42003 14466 1 5
42011 14465 1 5
28047 14496 3 4
28049 14496 3 4
29003 14496 3 4
69012 14995 1 4
22001 13895 2 4
23007 13895 2 4
28047 13894 2 4
28049 13894 2 4
42003 14466 1 2
42011 14465 1 2
28047 13894 2 2
28049 13894 2 2
69012 14995 1 1
42011 14465 1 1'', header = TRUE)

Rendimiento esperado:

ID Day Count Count_group index_col
30004 14497 1 5 1
28047 14496 3 5 1
28049 14496 3 5 1
29003 14496 3 5 1
69012 14495 1 5 1
69007 14467 3 5 2
69012 14467 3 5 2
69020 14467 3 5 2
42003 14466 1 5 2
42011 14465 1 5 2
28047 14496 3 4 3
28049 14496 3 4 3
29003 14496 3 4 3
69012 14995 1 4 3
22001 13895 2 4 4
23007 13895 2 4 4
28047 13894 2 4 4
28049 13894 2 4 4
42003 14466 1 2 5
42011 14465 1 2 5
28047 13894 2 2 6
28049 13894 2 2 6
69012 14995 1 1 7
42011 14465 1 1 8

¿Tienes alguna sugerencia? Deseo crear un código genérico que pueda aplicarse (con algunos ajustes) tanto a df, df_2 como a otros marcos de datos con una variable de agrupación de n días.

Answer 1

Usando dplyr :

df %>% mutate(index_col = cumsum(!c(+Inf,diff(Day))%in%c(0,-1)))

Explicación

 c(+Inf,diff(Day))

Como quiere dos días consecutivos, calculo la diferencia en el Day con diff(Day) . Como vector de retorno diff de tamaño n-1 , tengo que agregar un valor para la parte superior del vector, elijo +Inf .

!(... %in% c(0,-1))

Pruebo que el valor es el mismo Day o Day-1 ya que deben estar agrupados, quiero cuando no es el caso.

cumsum(...)

Finalmente, uso cumsum para saber cuántos cambios ocurren.

La salida:

Es trabajo para tus dos ejemplos

> df %>% mutate(index_col = cumsum(!c(+Inf,diff(Day))%in%c(0,-1)))
ID Day Count Count_group index_col
1 30004 14497 1 4 1
2 28047 14496 3 4 1
3 28049 14496 3 4 1
4 29003 14496 3 4 1
5 69012 14468 1 4 2
6 69007 14467 3 4 2
7 69012 14467 3 4 2
8 69020 14467 3 4 2
9 42003 13896 2 4 3
10 42011 13896 2 4 3
11 22001 13895 2 4 3
12 23007 13895 2 4 3
13 28047 14496 3 3 4
14 28049 14496 3 3 4
15 29003 14496 3 3 4
16 69007 14467 3 3 5
17 69012 14467 3 3 5
18 69020 14467 3 3 5
19 48005 14271 2 2 6
20 48007 14271 2 2 6
21 22001 13895 2 2 7
22 23007 13895 2 2 7
23 47011 14320 1 2 8
24 73005 14319 1 2 8
25 73005 14319 1 1 8

y

> df_2 %>% mutate(index_col = cumsum(!c(+Inf,diff(Day))%in%c(0,-1)))
ID Day Count Count_group index_col
1 30004 14497 1 5 1
2 28047 14496 3 5 1
3 28049 14496 3 5 1
4 29003 14496 3 5 1
5 69012 14495 1 5 1
6 69007 14467 3 5 2
7 69012 14467 3 5 2
8 69020 14467 3 5 2
9 42003 14466 1 5 2
10 42011 14465 1 5 2
11 28047 14496 3 4 3
12 28049 14496 3 4 3
13 29003 14496 3 4 3
14 69012 14495 1 4 3
15 22001 13895 2 4 4
16 23007 13895 2 4 4
17 28047 13894 2 4 4
18 28049 13894 2 4 4
19 42003 14466 1 2 5
20 42011 14465 1 2 5
21 28047 13894 2 2 6
22 28049 13894 2 2 6
23 69012 14995 1 1 7
24 42011 14465 1 1 8