根据现有的行组创建索引列（具有重复项） [英] Create index column based on existent groups of rows (with duplicates)
问题描述
这里我的示例data.frame：
Here my example 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)
计数 col显示按日分组的 ID 值的总和。
Count_group 显示按 Day <分组的唯一 Count vales的总和/ code>和第-1天。
The Count col shows the sum of the ID values grouped by Day.
The Count_group shows the sum of the unique Count vales grouped by Day and Day -1.
我需要创建一个索引列，用于对 Count_group 按日和第-1天按照降序排列 df （有重复！）。
I need to create an index column which groups the Count_group by Day and Day -1 following the descending order of the df (with duplicates!).
这是我的预期输出：
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
并且使用 index_col 分组3天：日，第-1天和第2天：
And do the same but with index_col grouping by 3 days: Day, Day -1 and 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)
预期产出：
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
您有什么建议吗？
我希望创建一个通用代码，可以应用（通过一些调整）df，df_2和其他带有n天分组变量的data.frames。
Do you have any suggestion? I desire to create a generic code that could be applied (with a few adjustments) to both df, df_2 and to other data.frames with grouping variable of n days.
推荐答案
使用 dplyr ：
df %>% mutate(index_col = cumsum(!c(+Inf,diff(Day))%in%c(0,-1)))
说明：
c(+Inf,diff(Day))
如你想连续两天，我计算差异在日与差异（日）。当 diff 返回大小 n-1 的向量时，我必须为向量的顶部添加一个值，I选择 + Inf 。
As you want two consecutive days, I compute the difference on the Day with diff(Day). As diff return vector of size n-1, I have to add a value for the top of the vector, I choose +Inf.
!(... %in% c(0,-1))
我测试的值是否相同日或第1天因为它们必须分组，我想要的情况并非如此。
I test that the value is the same Day or Day-1 as they must be grouped, I want when it's not the case.
cumsum(...)
最后，我使用 cumsum 来了解发生了多少变化。
Finally, I use cumsum to know how many of change occur.
输出：
这适用于您的两个例子
> 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
和
> 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
这篇关于根据现有的行组创建索引列（具有重复项）的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！
