如何在R中按两年间隔组合数据

Question

我想在数据框中创建一个新列，按地区以两年为间隔对长度进行分类，但我不知道如何做。我在下面包含了 2010、2011、2012、2013、2014、2015 和 2019 年的示例数据。

我想：

1. 找出每个地区的第一年。
2. 将年份设置为每个地区两年间隔的起点。
3. 如果该地区在该时间间隔内有两年的可用数据，请在新列中将两年时间间隔标记为“year1 - year2”。
4. 如果不是，请在新列中保留年份。

我认为步骤 1 可以使用 min，步骤 3-4 可以使用 if_else，但我不确定如何执行步骤 2。

谢谢！

df <- data.frame(matrix(nrow=500, ncol=0))

set.seed(1)

df$region <- sample(c("North", "Central", "South"),
                       size = nrow(df), 
                       replace = TRUE)

df$year <- sample(c("2010", "2011", "2012", "2013", "2014", "2015", "2019"),
                    size = nrow(df), 
                    replace = TRUE)

df$length <- sample(1:100, size = nrow(df), replace=TRUE)

Answer 1

首先，将年份设为数字。

获取每个地区的最短年份（恰好是所有地区的 2010 年）

按年份获取每个区域的总长度（认为这是您想要做的，但必要时避免总和）。

加入开始年份数据框（适用于所有开始 =/= 2010 年的情况）

再次按地区分组，使用lead()检查每一年的下一个值是多少，以及这个值是否是当前年份之后的年份，从而创建一个区间。

如果下一行是下一年，则将今年的长度添加到下一年，如果不是，则保持当前年份的长度为值。

将间隔粘贴在一起

df <- df %>% mutate(year = as.numeric(year))%>%
  tibble()

start_year <- df %>%
  group_by(region)%>%
  summarise(start = min(year))

data <-  df %>%
  arrange(year)%>%
  group_by(region, year)%>%
  summarise(length = sum(length), .groups = "drop")%>%
  left_join(start_year, by = "region") %>%
  group_by(region)%>%
  mutate(next_year = lead(year, 1))%>%
  ungroup()%>%
  mutate(successive_years = lead(year, 1)- year == 1,
         two_year_total = case_when(successive_years ~ length + lead(length, 1),
                                    !successive_years ~ length),
         interval = case_when(successive_years ~ paste0(year, "-", lead(year,1)),
                              !successive_years ~ paste(year)),
         interval_length = case_when(successive_years == TRUE ~ two_year_total,
                                     !successive_years  ~ length)) %>%
  select(region, interval, interval_length)

认为这大概就是您所需要的吗？当然可以提高效率。

Answer 2

好的，回复：您的评论。这有点棘手，但应用了类似的方法（也许最好返回并使用 purrr:: 整个过程，但沉没成本等等）。 真正的关键步骤是将长度存储为列表，从开始的两年期间存储为列表，然后与之前类似的锤子，同时在 mutate(interval =...) 步骤中交替滞后和领先有点棘手。

考虑到游戏的变化，我希望有一个很多更好的解决方案。期待有人发布一个:)

df <- df %>% mutate(year = as.numeric(year))%>%
  tibble()

start_year <- df %>%
  group_by(region)%>%
  summarise(start = min(year), two_years = list(seq(start, 2030, 2)))

df <- df %>% 
  arrange(region, year)%>%
  group_by(region, year)%>%
  summarise(length = list(length))%>%
  left_join(start_year, by = "region")%>%
  mutate(successive_years = lead(year, 1) - year == 1,
         start_interval = year %in% two_years[[1]])%>%
  ungroup()%>%
  mutate(interval = case_when(start_interval & successive_years ~ paste0(year, "-", lead(year, 1)),
                              !start_interval & lag(successive_years, 1) ~ paste0(lag(year,1), "-", year),
                              start_interval & !successive_years ~ paste(year),
                              is.na(successive_years) ~ paste(year)))

#unnest the list & get rid of unnecessary columns:
df %>%
  group_by(region, interval)%>%
  summarise(length = unlist(length). groups = "drop")%>%
  select(-start, -two_years, -successive_years, -start_interval)