只保留观察连续

Question

正如标题所说，我有data.frame像下面，

df<-data.frame('id'=c('1','1','1','1','1','1','1'),'time'=c('1998','2000','2001','2002','2003','2004','2007')) 
df 
    id time 
1 1 1998 
2 1 2000 
3 1 2001 
4 1 2002 
5 1 2003 
6 1 2004 
7 1 2007 

还有其他一些情况下有比这更短或更长的时间窗口，只是为了说明的缘故。

我想要做的两件事情有关这组数据，首先，找到所有这些id有至少五个连续的观测位置，这可以通过以下方法解决here完成。其次，我只想保留中至少连续五行的id第一步选择的观察值。理想的结果是：

df 
    id time 
1 1 2000 
2 1 2001 
3 1 2002 
4 1 2003 
5 1 2004 

我可以使用循环和diff功能编写一个复杂的功能，但是这可能是很长的时间都在写函数获得的结果耗时，如果我有一个更大的数据与设置很多，如果id。但是这看起来不像R，我确实认为应该有一个或两个解决方案。

任何人都知道如何做到这一点？您的时间和知识将深受赞赏。提前致谢。

Answer 1

您可以通过id和连续的时间，并filter组，不到5项使用dplyr到组，即

#read data with stringsAsFactors = FALSE 
df<-data.frame('id'=c('1','1','1','1','1','1','1'), 
       'time'=c('1998','2000','2001','2002','2003','2004','2007'), 
                stringsAsFactors = FALSE) 

library(dplyr) 

df %>% 
mutate(time = as.integer(time)) %>% 
group_by(id, grp = cumsum(c(1, diff(time) != 1))) %>% 
filter(n() >= 5) 

这给

# A tibble: 5 x 3 
# Groups: id, grp [1] 
    id time grp 
    <chr> <int> <dbl> 
1  1 2000  2 
2  1 2001  2 
3  1 2002  2 
4  1 2003  2 
5  1 2004  2 

Answer 2

试穿的数据：

df[,] <- lapply(df, function(x) type.convert(as.character(x), as.is = TRUE)) 

IND1 <- (df$time - c(df$time[-1],df$time[length(df$time)-1])) %>% abs(.) 
IND2 <- (df$time - c(df$time[2],df$time[-(length(df$time))])) %>% abs(.) 

df <- df[IND1 %in% 1 | IND2 %in% 1,] 

df[ave(df$time, df$id, FUN = length) >= 5, ] 

Answer 3

从dplyr，tidyr和data.table溶液。

library(dplyr) 
library(tidyr) 
library(data.table) 

df2 <- df %>% 
    mutate(time = as.numeric(as.character(time))) %>% 
    arrange(id, time) %>% 
    right_join(data_frame(time = full_seq(.$time, 1)), by = "time") %>% 
    mutate(RunID = rleid(id)) %>% 
    group_by(RunID) %>% 
    filter(n() >= 5, !is.na(id)) %>% 
    ungroup() %>% 
    select(-RunID) 
df2 
# A tibble: 5 x 2 
     id time 
    <fctr> <dbl> 
1  1 2000 
2  1 2001 
3  1 2002 
4  1 2003 
5  1 2004 

Answer 4

类似以@Sotos回答，这个解决方案改为使用seqle（从cgwtools）作为分组变量：

library(dplyr) 
library(cgwtools) 

df %>% 
    mutate(time = as.numeric(time)) %>% 
    group_by(id, consec = rep(seqle(time)$length, seqle(time)$length)) %>% 
    filter(consec >= 5) 

结果：

# A tibble: 5 x 3 
# Groups: id, consec [1] 
    id time consec 
    <chr> <dbl> <int> 
1  1 2000  5 
2  1 2001  5 
3  1 2002  5 
4  1 2003  5 
5  1 2004  5 

要删除分组变量：

df %>% 
    mutate(time = as.numeric(time)) %>% 
    group_by(id, consec = rep(seqle(time)$length, seqle(time)$length)) %>% 
    filter(consec >= 5) %>% 
    ungroup() %>% 
    select(-consec) 

结果：

# A tibble: 5 x 2 
    id time 
    <chr> <dbl> 
1  1 2000 
2  1 2001 
3  1 2002 
4  1 2003 
5  1 2004 

数据：

df<-data.frame('id'=c('1','1','1','1','1','1','1'), 
       'time'=c('1998','2000','2001','2002','2003','2004','2007'), 
       stringsAsFactors = FALSE)