R 基于多个条件在销售数据中重新组合人工拆分的会话

我们有来自触摸屏自动售货机的销售数据。当客户将钱放入机器时，它会启动一个会话，使用该机器特有的数字序列对会话进行计数。大多数情况下，系统会在应该的时候启动和停止会话。然而，在大约7%的情况下，当机器中还有钱要花时，它会人工启动一个新会话

所以

其中，

可用。支出

是所有不同列的总和，表示已将钱或凭证插入机器，

实际支出

是该会话期间花费的所有钱的总和

所以，大多数情况下，他们是平等的。然而，在第2次会议中，插入了25美元，只花了17美元。第三节课显示没有可用的钱可以花，但实际花了8美元，这就平衡了第一节课

我想让R合并这些会话，并创建一个指示符列，告诉我新会话是合并会话的结果

我将如何查看会话是否平衡，如果不平衡，请检查下一个会话是否：

没有可用的

有实际支出；以及

两个会话的实际.spend==第一个会话的可用.spend

然后，如果（且仅当）所有三个条件都满足，则将合并这两个会话（使用会话号或新的、由一个会话组成的会话），并创建一个带有1的新列，显示新会话是合并其他会话的结果

以下是我制作的样品的

dput（）

：

mydt<-    structure(list(session = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10), available.spend = c(20, 
      25, 0, 15, 14, 0, 59, 0, 15, 21), actual.spend = c(20, 17, 8, 
      15, 7, 7, 50, 9, 15, 21)), .Names = c("session", "available.spend", 
      "actual.spend"), row.names = c(NA, -10L), class = c("data.table", 
      "data.frame"), .internal.selfref = <pointer: 0x0000000000300788>)

以及

dput（）

：

---

mynew.dt所以结果与您想要的data.frame不太一样。
我在可用支出和实际支出上使用累积金额。然后我检查哪些匹配，只有那些匹配的我在new.session列中放“1”

mydt$spend.sum <-cumsum(mydt$actual.spend) #Cumulative sum of actual 
mydt$avail.sum <-cumsum(mydt$available.spend) #Cumulative sum of actual 

如果您的
可用.expense在这些情况下始终为零，您可以使用该值对行进行分组（我假设您有时在一行中有多个0，否则您可以简单地将
实际.expense
，将其移位1，然后求和以进行比较）：

从这一点上，你应该有所有的信息，你需要继续

也许，更一般地说，最好按
cumsum（available.spend>=actual.spend）
进行分组这是一种笨重的解决方案，但是考虑到狭窄的参数和期望的结果，我想不出更好的方法来实现这一点，除非一件一件地完成

mismatches <- mydt[available.spend != actual.spend, which=TRUE]
zeros <- mydt[available.spend == 0, which=TRUE]
x <- setdiff(mismatches, zeros)
followcheck <- mydt[x+1, session == mydt[zeros, session] & actual.spend > 0]
following.zeros <- zeros[followcheck]
sumthing <- mydt[x, available.spend==actual.spend + mydt[following.zeros, actual.spend]]
x <- x[sumthing]
y <- x + 1
mydt[x, actual.spend:=actual.spend + mydt[y, actual.spend]]
# Caution here, data.table gave a warning about needing to copy the table in memory to do this next line.
mydt[, newsess:=0]
mydt[x, newsess:=1]
mydt <- mydt[-y,]

不匹配这实际上会变得更加复杂，因为有时候，会话可能不会在下一个会话中保持平衡，而是在接下来的两个（或三个）会话中保持平衡。然而，这是非常罕见的，我希望我可以忽略这些~然而，人工创建的会话中有7%太多了，不容忽视。这当然是一个可行的解决方法。我担心的是，由于7%的会议被取消，结果会出现偏差。data.table大约有2400万行，因此7%的客户被从分析中删除。如果我不能想出上述解决方案，这将是我所能希望的最好的。谢谢你花时间来解决这个问题。再看一眼，cumsum不是好办法。只要完成最后三行代码，我就可以在可用和实际会面的地方获得会话。Cumsum使它看起来好像在数百万次中只发生了几次（前四次）。@infominer仅供参考，为了显示
数据.frame
和
数据.table
的可读性之间的差异，这是
数据.table
方式：
mydt[，new.session:=Cumsum（available.spend）==Cumsum（actual.spend）]
；或者，为了避免溢出：
mydt[，new.session:=cumsum（available.spend-actual.spend）==0]
@datahappy我不明白为什么你认为
cumsum
做不到你想做的事-你可能想举个例子说明它在哪里fails@eddi因为cumsum就是这样做的-提供了一个总的累积和。一旦有一个可用的和实际的不相等的实例，那么在那之后的每个实例中，它们都是不相等的。（发生在第四次观察时）。因此，当创建一个只包含完整案例的data.table时，它只包含前四个观察值，而不是它应该包含的2100万个观察值。好吧，这就像一种魅力。它正确地组合了会话，修复了所有人为分割的会话。不幸的是，它创建的data.table只包含变量session、available.spend和actual.spend（加上一个cumsum列）。如何让它保留并合并data.table中的所有其他（22）列？看起来我需要单独将所有变量添加到列表中？同样，我假设（例如totsales=sum（totsales）等）有更简单的方法来实现这一点吗？@datahappy使用
.SD[1]
，而不是
session=session[1]
，如果速度太慢，请参阅；或者我误解了，您想使用
lappy（.SD，sum）
而不是单独的求和；你挑吧：）
mynew.dt<- structure(list(session = c(1, 2, 4, 5, 7, 9, 10), available.spend = c(20, 
            25, 15, 14, 59, 15, 21), actual.spend = c(20, 25, 15, 14, 59, 
            15, 21), newsess = c(0, 1, 0, 1, 1, 0, 0)), .Names = c("session", 
            "available.spend", "actual.spend", "newsess"), row.names = c(NA, 
            -7L), class = c("data.table", "data.frame"), .internal.selfref = <pointer:                     0x0000000000300788>)

mydt$spend.sum <-cumsum(mydt$actual.spend) #Cumulative sum of actual 
mydt$avail.sum <-cumsum(mydt$available.spend) #Cumulative sum of actual 

mydt$new.session <-NA

mydt$new.session[with(mydt, which(spend.sum == avail.sum))]<-1

mydt[complete.cases(my.dt),]

dt[, list(session = session[1],
          available.spend = sum(available.spend),
          actual.spend = sum(actual.spend)),
     by = cumsum(available.spend != 0)]
#   cumsum session available.spend actual.spend
#1:      1       1              20           20
#2:      2       2              25           25
#3:      3       4              15           15
#4:      4       5              14           14
#5:      5       7              59           59
#6:      6       9              15           15
#7:      7      10              21           21

mismatches <- mydt[available.spend != actual.spend, which=TRUE]
zeros <- mydt[available.spend == 0, which=TRUE]
x <- setdiff(mismatches, zeros)
followcheck <- mydt[x+1, session == mydt[zeros, session] & actual.spend > 0]
following.zeros <- zeros[followcheck]
sumthing <- mydt[x, available.spend==actual.spend + mydt[following.zeros, actual.spend]]
x <- x[sumthing]
y <- x + 1
mydt[x, actual.spend:=actual.spend + mydt[y, actual.spend]]
# Caution here, data.table gave a warning about needing to copy the table in memory to do this next line.
mydt[, newsess:=0]
mydt[x, newsess:=1]
mydt <- mydt[-y,]