删除时间序列中指定行下的所有行答案

【问题标题】：Removing all rows under a specified row in a time series删除时间序列中指定行下的所有行
【发布时间】：2016-12-07 02:30:38
【问题描述】：

我正在尝试分析游戏数据，但我需要删除指定行之后的所有行。

在以下情况下，我想为每个用户删除 EVENT "Die" 之后的所有行。数据按 UID、TIME.HOUR 排序。

df:

 UID  TIME.HOUR  EVENT
  1      5       Run
  1      5       Run
  1      6       Run
  1      7       Die
  1      8       Run
  1      9       Run
  2      14      Jump
  2      15      Die
  2      16      Run
  2      17      Run

预期结果：

 UID  TIME.HOUR  EVENT
  1      5       Run
  1      5       Run
  1      6       Run
  1      7       Die
  2      14      Jump
  2      15      Die

我认为我使用下面的代码走在正确的轨道上，但不要为下一步而苦苦挣扎。

 args <- which(df$EVENT== "Die")
 df[,c(sapply(args, function(x) ???), by = UID] #seq? range?

谢谢。

【问题讨论】：

标签： r data.table

【解决方案1】：

我们可以使用data.table。将'data.frame'转换为'data.table'，按'UID'分组，得到逻辑向量（EVENT == "Die"）的doublecumsum，检查是否小于2对Data.table（@ 987654325@)

library(data.table)
setDT(df)[, .SD[cumsum(cumsum(EVENT=="Die"))<2] , UID]
#   UID TIME.HOUR EVENT
#1:   1         5   Run
#2:   1         5   Run
#3:   1         6   Run
#4:   1         7   Die
#5:   2        14  Jump
#6:   2        15   Die

Or a faster approach：要获取行索引，提取该列 ($V1) 以对数据进行子集化

setDT(df)[df[, .I[cumsum(cumsum(EVENT=="Die"))<2] , UID]$V1]

或者修改@Psidom的方法

setDT(df)[df[, .I[seq(match("Die", EVENT, nomatch = .N))] , UID]$V1]

或使用dplyr

library(dplyr)
df %>%
   group_by(UID) %>% 
   slice(seq(match("Die", EVENT, nomatch = n())))
#    UID TIME.HOUR EVENT
#  <int>     <int> <chr>
#1     1         5   Run
#2     1         5   Run
#3     1         6   Run
#4     1         7   Die
#5     2        14  Jump
#6     2        15   Die

如果我们需要data.frame 输出，与%>% as.data.frame 链接（来自@R.S. cmets）

【讨论】：

这是关于dplyr 的部分——这很漂亮，而且非常灵活。 ` slice` 部分需要seq，否则它将只返回匹配的行。我做对了吗？而nomatch=n() 意味着在没有匹配的情况下一直到最后？顺便说一句，也许您还可以建议在末尾添加 %>% ungroup() %>% as.data.frame() 以获得清理后的数据框。
@R.S.你是对的，如果你不使用seq，它只会得到匹配的行，而nomatch = n() 是针对特定UID没有匹配的特殊情况。有些人更喜欢将他们的输出设为tbl_df。所以，我将保持原样并添加您的 cmets
啊。谢谢。洞察力有所帮助。

【解决方案2】：

这可能效率不高，但你可以做一个花哨的连接：

mdf = df[EVENT == "Die", head(.SD, 1L), by=UID, .SDcols = "TIME.HOUR"]
df[!mdf, on=.(UID, TIME.HOUR > TIME.HOUR)]

   UID TIME.HOUR EVENT
1:   1         5   Run
2:   1         5   Run
3:   1         6   Run
4:   1         7   Die
5:   2        14  Jump
6:   2        15   Die

当然，您实际上并不需要将mdf 表保存为单独的对象。

它是如何工作的

x[!i]，其中i 是另一个data.table 或向量列表，是反连接，告诉R 基于i 排除x 的行，类似于它的工作原理带有向量（其中i 必须是逻辑向量）。
on=.(ID, v >= v) 选项告诉 R 我们正在执行“非等值连接”。 v >= v 部分意味着来自i（左侧）的v 应该大于来自x（右侧）的v。

结合这两者，我们排除了符合on= 中指定条件的行。

旁注。有几件事我不确定：我们有比 non-equi join 更好的名字吗？为什么v 在i 的左侧，即使x[i] 在i 的左侧有x？

我借用了 Psidom 和 akrun 的答案，使用了head 和一个不等式。这里的一个（也许？）优势是head(.SD, 1L) is optimized 而head(.SD, expr) 还没有。

【讨论】：

善用非等连接

【解决方案3】：

另一种选择，您可以使用head() 和match()（找到第一个Die 索引）：

dt[, head(.SD, match("Die", EVENT, nomatch = .N)), UID]   # if no match is found within the 
                                                          # group, return the whole group

#   UID TIME.HOUR EVENT
#1:   1         5   Run
#2:   1         5   Run
#3:   1         6   Run
#4:   1         7   Die
#5:   2        14  Jump
#6:   2        15   Die

【讨论】：