使用 group_by 计算值的差异

Question

我有一个像下面这样的大 df，我想知道（使用组成的 df 中的术语）知道在这个半年一次的活动中哪个 id 在最长的时间内具有相同的水果。 IE。每隔一年才有一次收获果实的机会。

 df<-data.frame("id"=c(1, 1, 1, 2, 2, 2, 2, 3, 3, 3), 
  "Year"=c(1981, 1981, 1985, 2011, 2011, 2013, 2015, 1921, 1923, 1955), 
 "fruit"=c("banana", "apple", "banana", "orange", "melon", "orange", 
            "orange", "melon", "melon", "melon"))

我尝试了不同类型的group_by 和cumsum，见下文。

df<-df %>% mutate(year_diff=cumsum(c(1, diff(df$Year)>1))) 
df %>% group_by(id, fruit) %>% filter(year_diff==2)

还有下面的（重新加载df后）

df %>% group_by(id, fruit) %>% mutate(year_diff=cumsum(c(1, diff(df$Year)>1)))

并玩弄：

df %>% group_by(id, fruit) %>% mutate(summarise(n_years=n_distinct(Year)))    

最后，理想情况下，我想要一个像下面这样的 tibble，按照在事件中（随着时间的推移）拥有最多连续“持有”水果的人的顺序排列 id（连同他们的水果）。请记住，该活动仅每隔一年举行一次。

id     fruit    occurence 
2      orange    3
3      melon     2
1      banana    1
1      apple     1
2      melon     1 
3      melon     1  

我知道有几个步骤。

编辑： 也许有办法修改这个：

df %>% group_by(id, fruit) %>% summarise(n_years=n_distinct(Year)) %>% arrange(desc(n_years)) %>% ungroup()

以便它在原始 tibble 中创建一个新列（我无法做到，但您可能会这样做），然后我可以过滤连续事件？

Answer 1

使用dplyr 我们arrange 行由id、fruit 和Year 并创建一个新的分组变量（group）显示每个id 和fruit 的连续年份，然后计数每组中的行数。

library(dplyr)

df %>%
  arrange(id, fruit, Year) %>%
  group_by(id, fruit, group = cumsum(c(2, diff(Year)) != 2)) %>%
  summarise(n = n()) %>%
  ungroup() %>%
  select(-group)


#    id fruit      n
#  <dbl> <fct>  <int>
#1     1 apple      1
#2     1 banana     1
#3     1 banana     1
#4     2 melon      1
#5     2 orange     3
#6     3 melon      2
#7     3 melon      1