R 根据多种条件组合观测结果
目前我正在写我的硕士论文，但是，我在多个条件下合并行时遇到了一些问题。我已经在下面说明了我的问题和期望的结果。我希望你能帮助我：） 以下是我的数据集的外观示例：R 根据多种条件组合观测结果,r,dplyr,conditional-statements,diff,R,Dplyr,Conditional Statements,Diff,目前我正在写我的硕士论文，但是，我在多个条件下合并行时遇到了一些问题。我已经在下面说明了我的问题和期望的结果。我希望你能帮助我：） 以下是我的数据集的外观示例： df <- data.frame( userID = c(1, 1, 1, 1, 1, 2, 2, 3, 3, 3, 3), sessionID = c(1, 2, 3, 4, 5, 1, 2, 1, 2, 3, 4), date = as.Date(c("2019-03-15", "20
df <- data.frame(
userID = c(1, 1, 1, 1, 1, 2, 2, 3, 3, 3, 3),
sessionID = c(1, 2, 3, 4, 5, 1, 2, 1, 2, 3, 4),
date = as.Date(c("2019-03-15", "2019-03-18", "2019-03-19", "2019-03-21","2019-03-30", "2019-04-05",
"2019-06-06", "2019-11-22", "2019-12-22", "2019-12-24", "2020-01-15"),
format = "%Y-%m-%d"),
purchase=c(0,1,0,0,0,0,0,0,0,1,0))
df%
变异（差异=日期-滞后（日期））
df2 <- data.frame(
userID = c(1, 1, 2, 2, 3, 3, 3),
sessionID = c("1 + 2", "3 + 4 + 5", "1", "2", "1", "2 + 3", "4"),
date.start = as.Date(c("2019-03-15","2019-03-19", "2019-04-05",
"2019-06-06", "2019-11-22", "2019-12-22", "2020-01-15"),
format = "%Y-%m-%d"),
date.end = as.Date(c("2019-03-18", "2019-03-30", "2019-04-05", "2019-06-06",
"2019-11-22", "2019-12-24", "2020-01-15"), format = "%Y-%m-%d"),
purchase=c(1,0,0,0,0,1,0))
df2按“userID”分组，通过对“purchase”的lag
进行累积和，根据“purchase”中出现的1创建一个新组，然后根据相邻“date”值的差异创建另一个分组，即检查差异是否大于或等于10天，进行累积和，和通过粘贴（）对“sessionID”进行汇总，获取“date”的第一个
元素和“date”的最后一个
，以及“purchase”中的值1作为汇总列
library(dplyr)
library(stringr)
df %>%
group_by(userID) %>%
group_by( grp = cumsum(lag(purchase,
default = first(purchase))), .add = TRUE) %>%
group_by(cat = cumsum(difftime(date,
lag(date, default = first(date)), units = 'day') >= 10), .add = TRUE ) %>%
summarise(sessionID = str_c(sessionID, collapse= ' + '),
date.start = first(date), date.end = last(date),
purchase = +(any(purchase == 1)), .groups = 'drop' ) %>%
select(-grp, -cat)
-输出
# A tibble: 7 x 5
userID sessionID date.start date.end purchase
<dbl> <chr> <date> <date> <int>
1 1 1 + 2 2019-03-15 2019-03-18 1
2 1 3 + 4 + 5 2019-03-19 2019-03-30 0
3 2 1 2019-04-05 2019-04-05 0
4 2 2 2019-06-06 2019-06-06 0
5 3 1 2019-11-22 2019-11-22 0
6 3 2 + 3 2019-12-22 2019-12-24 1
7 3 4 2020-01-15 2020-01-15 0
#一个tible:7 x 5
用户ID sessionID date.start date.end purchase
1 1 1 + 2 2019-03-15 2019-03-18 1
2 1 3 + 4 + 5 2019-03-19 2019-03-30 0
3 2 1 2019-04-05 2019-04-05 0
4 2 2 2019-06-06 2019-06-06 0
5 3 1 2019-11-22 2019-11-22 0
6 3 2 + 3 2019-12-22 2019-12-24 1
7 3 4 2020-01-15 2020-01-15 0
献给我亲爱的朋友@akrun
这里只是实现最终输出的另一种方式，它不像亲爱的@akrun建议的那样优雅和简洁。事实上，我花了几个小时在这个问题上，这对我来说是非常重要的看到它的结束。然而，亲爱的@Akrun一如既往地鼓舞了我。我希望它对你有用：
library(dplyr)
library(purrr)
df %>%
mutate(cum = cumsum(purchase == 1),
cum = ifelse(cum - lag(cum, default = 0) == 1, lag(cum), cum),
Days = as.numeric(date - lag(date, default = first(date)))) %>%
group_by(cum) %>%
mutate(diff = ifelse(Days < 10, 0, 1)) %>%
ungroup() %>%
mutate(diff = cumsum(diff),
start = date,
end = date) %>%
mutate(across(sessionID, as.character)) %>%
group_split(userID, cum, diff) %>%
map_dfr(~ add_row(.x, userID = .x$userID[1],
sessionID = paste(.x$sessionID, collapse = "+"),
start = .x$date[1], end = .x$date[length(.x$date)])) %>%
filter(if_any(date:diff, ~ is.na(.x))) %>%
select(!date:diff)
# A tibble: 7 x 4
userID sessionID start end
<dbl> <chr> <date> <date>
1 1 1+2 2019-03-15 2019-03-18
2 1 3+4+5 2019-03-19 2019-03-30
3 2 1 2019-04-05 2019-04-05
4 2 2 2019-06-06 2019-06-06
5 3 1 2019-11-22 2019-11-22
6 3 2+3 2019-12-22 2019-12-24
7 3 4 2020-01-15 2020-01-15
库（dplyr）
图书馆（purrr）
df%>%
变异（cum=cumsum（购买=1），
cum=ifelse（cum-lag（cum，默认值=0）=1，lag（cum），cum），
天数=as.numeric（日期-滞后（日期，默认值=第一个（日期）））%>%
组别(合计)%>%
变异（差异=ifelse（天数<10,0,1））%>%
解组（）%>%
变异（diff=cumsum（diff），
开始=日期，
结束=日期）%>%
变异（跨（sessionID，as.character））%>%
组分割（用户ID、cum、diff）%>%
map_dfr（~add_row（.x，userID=.x$userID[1]，
sessionID=粘贴（.x$sessionID，collapse=“+”，
开始=.x$日期[1]，结束=.x$日期[长度（.x$日期）]）%>%
过滤器（如果有（日期：diff，~is.na（.x）））%>%
选择（！日期：差异）
#一个tibble:7x4
用户ID会话ID开始结束
1 1 1+2 2019-03-15 2019-03-18
2 1 3+4+5 2019-03-19 2019-03-30
3 2 1 2019-04-05 2019-04-05
4 2 2 2019-06-06 2019-06-06
5 3 1 2019-11-22 2019-11-22
6 3 2+3 2019-12-22 2019-12-24
7 3 4 2020-01-15 2020-01-15
另一种使用累加2的tidyverse策略
df%
分组人（userID，grp=cumsum（sessionID=1））%>%
变异（diff=as.numeric（日期-滞后（日期，默认值=first（日期）））%>%
分组依据（grp2=累计2（差异，购买[-n（）]，~if（…2>10 |…3==1）…1+1其他..1），.add=T）%>%
摘要（sessionID=paste（sessionID，collapse='+'），
开始日期=第一个（日期），
结束日期=最后一个（日期），.groups='drop'）%>%
选择（！以（'grp'）开头）
#>#tibble:7 x 4
#>用户ID会话ID开始日期结束日期
#>
#> 1 1 1 + 2 2019-03-15 2019-03-18
#> 2 1 3 + 4 + 5 2019-03-19 2019-03-30
#> 3 2 1 2019-04-05 2019-04-05
#> 4 2 2 2019-06-06 2019-06-06
#> 5 3 1 2019-11-22 2019-11-22
#> 6 3 2 + 3 2019-12-22 2019-12-24
#> 7 3 4 2020-01-15 2020-01-15
由（v2.0.0）于2021-06-10创建非常感谢！这个例子非常好用，但是，我不能用我的原始数据集重现它。如果userID和sessionId被定义为字符，这重要吗？@Andre这不重要，因为我只是paste
ingsessionID@Andre您的原始数据中可能有NAs，这会在cumsum
中产生一些问题。复制示例的问题在于示例的最后四行（所以，userID 3）。在这个示例中，它是有效的。对于我的原始数据集，我得到以下信息：userID:3；sessionid:4+3；start.date:2020-01-15；end.date:2019-12-14；purchase:1。&另一行是userID:3；sessionid:2+1；start.date:2019-12-22；end.date-2019-11-22，purchase:0。我通过添加arrange（日期）来修复它功能。感谢您的帮助和快速响应！非常感谢：）
library(dplyr)
library(purrr)
df %>%
mutate(cum = cumsum(purchase == 1),
cum = ifelse(cum - lag(cum, default = 0) == 1, lag(cum), cum),
Days = as.numeric(date - lag(date, default = first(date)))) %>%
group_by(cum) %>%
mutate(diff = ifelse(Days < 10, 0, 1)) %>%
ungroup() %>%
mutate(diff = cumsum(diff),
start = date,
end = date) %>%
mutate(across(sessionID, as.character)) %>%
group_split(userID, cum, diff) %>%
map_dfr(~ add_row(.x, userID = .x$userID[1],
sessionID = paste(.x$sessionID, collapse = "+"),
start = .x$date[1], end = .x$date[length(.x$date)])) %>%
filter(if_any(date:diff, ~ is.na(.x))) %>%
select(!date:diff)
# A tibble: 7 x 4
userID sessionID start end
<dbl> <chr> <date> <date>
1 1 1+2 2019-03-15 2019-03-18
2 1 3+4+5 2019-03-19 2019-03-30
3 2 1 2019-04-05 2019-04-05
4 2 2 2019-06-06 2019-06-06
5 3 1 2019-11-22 2019-11-22
6 3 2+3 2019-12-22 2019-12-24
7 3 4 2020-01-15 2020-01-15