在此数据表中发生 x 个事件后，您将如何消除一系列事件？答案

【问题标题】：How would you eliminate a sequence of events after x events had occured in this data table?在此数据表中发生 x 个事件后，您将如何消除一系列事件？
【发布时间】：2021-01-06 19:49:04
【问题描述】：

我有一个 data.frame，它为跨不同模拟的每个 x 和 y 坐标提供事件发生的时间。我已经使用 dput() 附加了下表的头部。

head_data<-structure(list(x = c(987.353265152362, 570.817987386894, 1147.5681499552, 
637.526076016409, 1439.13510253106, 1396.6452808061), y = c(1802.08232812874, 
349.336242713164, 1789.49467712533, 361.611973188148, 1492.44148360367, 
1459.91771610835), id = 1:6, `simulation 1` = c(1100, 600, 1200, 
400, 900, 1000), `simulation 2` = c(1500, 1400, 1600, 1200, 1200, 
1300), `simulation 3` = c(1200, 1100, 1200, 1000, 900, 900), 
    `simulation 4` = c(1300, 800, 1200, 900, 1100, 1100), `simulation 5` = c(1500, 
    1200, 1400, 1100, 1300, 1200), `simulation 6` = c(200, 1400, 
    100, 1100, 600, 600)), row.names = c(NA, 6L), class = "data.frame")

先将数据融合成长格式

data_long <- melt(head_data, id.vars = c('x', 'y', 'id'), value.name = 'time', variable.name = 'sim')

然后我对事件的时间进行排序

times <- sort(unique(data_long$time))

现在，我通过总结每个 sim 的每个时间间隔的事件，将这个事件的 data.frame 转换为总流行率。

data_clust_10 <- data_long %>% group_by(sim) %>%
  do(data.frame(time=times, infected=sapply(times, function(x) sum(.$time <= x))))

然后我通过删除阈值后的所有事件来过滤流行数据，完整数据中有 1000 个 x 和 y 坐标，但我们每个 sim 只处理 6 个人，所以假设 2 个事件。

data_clust_10_cut<-filter(data_clust_10, infected < 2)

是否可以将此数据帧转换回 head_data 的原始格式？我可以使用 dcast() 吗？我认为行数会有所不同，所以它不起作用还是我错了？我想这样做是因为我将使用精炼的数据来估计方差系数。考虑到这一点，我实际上认为在原始表 head_data 中安排时间，然后消除超出我的流行阈值计数的事件数量可能是最好的解决方案，但我有兴趣了解 dcast()可以在这种情况下使用。我希望根据事件发生的时间对原始表中的事件序列进行排序，然后我想消除所有事件发生后发生的所有事件，而不考虑时间。

【问题讨论】：

标签： r reshape2

【解决方案1】：

这是你要找的吗：

library(tidyr)
data_clust_10_cut %>% pivot_wider(names_from="sim", values_from="infected")
# # A tibble: 8 x 7
#     time `simulation 1` `simulation 2` `simulation 3` `simulation 4`
#    <dbl>          <int>          <int>          <int>          <int>
# 1   100              0              0              0              0
# 2   200              0              0              0              0
# 3   400              1              0              0              0
# 4   600             NA              0              0              0
# 5   800             NA              0              0              1
# 6   900             NA              0             NA             NA
# 7  1000             NA              0             NA             NA
# 8  1100             NA              0             NA             NA
# # … with 2 more variables: `simulation 5` <int>, `simulation 6` <int>
#

【讨论】：