R 如果一组行没有'；不包含特定的单词

假设我有以下数据集：

df <- read.table(header=TRUE, text="name value
stranger_things_mc Stranger_Land
stranger_things_confidence 100
stranger_things_importance 1
stranger_things_answer Stranger_Things
immigrant_crime_number 140
immigrant_crime_confidence 100
immigrant_crime_importance 3
immigrant_crime_answer 50
dog_things_mc Stranger_Land
dog_things_confidence 100
dog_things_importance 1
dog_things_answer Stranger_Things
fighting_stats_number 140
fighting_stats_confidence 100
fighting_stats_answer 50")

---

df我们根据每四行是一个新块（
gl
）的条件创建一个分组列，然后
过滤出“name”的
第一个
元素不是
\u编号
或
\u滑块
的组，然后
取消分组
，并删除创建的临时“grp”列

library(dplyr)
df %>% 
    group_by(grp = as.integer(gl(n(), 4, n()))) %>% 
    filter(!str_detect(first(name), "_(number|slider)")) %>%
    ungroup %>%
    select(-grp)

更新
根据OP中的注释，即块由它们的公共前缀确定，然后提取第一个
单词
，将其用作分组变量，并像以前一样进行
筛选

library(stringr)
df %>%
  group_by(grp = word(name, 1, sep="_")) %>% 
  filter(!str_detect(first(name), "_(number|slider)"))

而
解组
部分与前面的部分相同

如果存在重复前缀，即非相邻前缀，并且需要将其视为单独的块，则使用
data.table
中的
rleid
创建分组变量

df %>%
  group_by(grp = rleid(word(name, 1, sep="_"))) %>%
  filter(!str_detect(first(name), "_(number|slider)"))

以下是我将如何解决这个问题：

groups <- df %>% 
  mutate(grp = str_extract(name, '.*(?=_confidence|_importance|_answer|_mc|_number|_slider)'),
         sfx = str_extract(name, '(_confidence|_importance|_answer|_mc|_number|_slider)')) %>% 
  group_by(grp) %>% 
  summarize(confidence = '_confidence' %in% sfx,
            importance = '_importance' %in% sfx,
            answer = '_answer' %in% sfx,
            mc = '_mc' %in% sfx,
            number = '_number' %in% sfx,
            slider = '_slider' %in% sfx) %>% 
  ungroup() %>% 
  gather(sfx, contains, -grp) %>% 
  filter(contains == TRUE) %>% 
  select(-contains)


df %>% 
  mutate(grp = str_extract(name, '.*(?=_confidence|_importance|_answer|_mc|_number|_slider)')) %>% 
  anti_join(groups %>% 
               filter(sfx == 'number') %>%
               select(grp))

这一部分是如何使用正则表达式将
name
列拆分为其组成部分的

group_by(grp) %>% 
  summarize(confidence = '_confidence' %in% sfx,
            importance = '_importance' %in% sfx,
            answer = '_answer' %in% sfx,
            mc = '_mc' %in% sfx,
            number = '_number' %in% sfx,
            slider = '_slider' %in% sfx) %>% 
  ungroup()

在这里，我们按照“词干”进行分组，我将其命名为
grp
，然后查找每个后缀。这一部分有点不可靠，如果数据中有更多的组，则需要对其进行扩展

gather(sfx, contains, -grp) %>% 
  filter(contains == TRUE) %>% 
  select(-contains)

在这里，我们将数据转换为“长”样式的数据帧，并且只保留每个组中实际包含的后缀

这就完成了中间数据帧

df %>% 
  mutate(grp = str_extract(name, '.*(?=_confidence|_importance|_answer|_mc|_number|_slider)'))

我们首先必须在原始数据帧上创建
grp
列，以使
反连接
工作

anti_join(groups %>% 
               filter(sfx == 'number') %>%
               select(grp))

最后，我们将中间数据帧的过滤版本加入原始数据帧。我相信这会达到你想要的效果

希望有帮助
 非常聪明。非常感谢。一个问题是，不能保证每四行都是“链接的”。例如，有时分组缺少其关联的“\u重要性”行。在不假设所有四行都始终存在的情况下，还有其他方法解决此问题吗？@Parseltongue如何确定块？首先，找到名称列中带有“\u number”或“\u slider”的行，并抓取其前面的文本。在上面的示例中，这将是“格斗统计”和“移民犯罪”。然后，删除包含该文本的任何行。@Parseltongue在示例中，给出的文本不同。
\u编号
是第5行，第4行、第3行和第2行，它不是
战斗统计数据
令人惊讶的是，第二行有效。。。虽然我不知道怎么做。我想接受这个，因为它很聪明，而且显然需要很多工作，但是akrun的解决方案效率更高。谢谢你写这篇文章——我学到了很多。通过手动学习，这是一个非常智能的策略，非常通用，可以在很多环境中使用。再次感谢你把它写下来
gather(sfx, contains, -grp) %>% 
  filter(contains == TRUE) %>% 
  select(-contains)

df %>% 
  mutate(grp = str_extract(name, '.*(?=_confidence|_importance|_answer|_mc|_number|_slider)'))

anti_join(groups %>% 
               filter(sfx == 'number') %>%
               select(grp))