使用 data.table 索引序列块

Question

假设我有一个数据集，其中长度为 1 的序列是非法的，长度为 2 的序列是合法的，大于长度 5 的序列是非法的，但允许将较长的序列分解为

set.seed(1)
DT1 <- data.table(smp = 1, R=sample(0:1, 20000, rep=TRUE), Seq = 0L)
DT1[, smp:=1:length(smp)]
DT1[, Seq:=seq(.N), by=list(cumsum(c(0, abs(diff(R)))))]

最后一行直接来自： Creating a sequence in a data.table depending on a column

DT1[, fix_min:=ifelse((R==TRUE & Seq==1) | (R==FALSE), FALSE, TRUE)]
fixmin_idx2 <- which(DT1[, fix_min==TRUE])
DT1[fixmin_idx2 -1, fix_min:=TRUE]

现在我的长度为 2 的合法标记已正确标记。打破>5s。

DT1[R==1 & Seq==6, fix_min:=FALSE]
DT1[,Seq2:=seq(.N), by=list(cumsum(c(0, abs(diff(fix_min)))))]
DT1[R==1 & Seq2==6, fix_min:=FALSE]
fixSeq2_idx7 <- which(DT1[,fix_min==TRUE] & DT1[,Seq2==7])
fixSeq2_idx7
[1] 10203 13228
DT1[fixSeq2_idx7,]
 smp R Seq fix_min Seq2
1: 10203 1  13    TRUE    7
2: 13228 1  13    TRUE    7
DT1[fixSeq2_idx7 + 1,]
 smp R Seq fix_min Seq2
1: 10204 1  14    TRUE    8
2: 13229 0   1   FALSE    1

现在来测试一个 Seq2==7 后面是否跟着一个 Seq2==8，这将是一个合法的 2 长度。我是一个 7，然后是一个 8，一个不是一个 8。我被卡住了。我尝试过的所有操作要么将所有 fix_min 设置为 TRUE，要么将 TRUE 和 FALSE 交替设置。

非常感谢任何指导。

Answer 1

如果我正确理解了您的问题，您希望在 R == 0 或 R == 1 & (1 =< Seq < 6 | Seq > 6) 时将 fix_min 设置为 FALSE。那么以下内容应该可以满足您的需求：

# recreating the data from your first code block
set.seed(1)
DT1 <- data.table(R=sample(0:1, 20000, rep=TRUE))[, smp:=.I
                                                  ][, Seq:=seq(.N), by=rleid(R)
                                                    ][, Seq2 := Seq[.N], by=rleid(R)]

# adding the needed 'fix_min' column
DT1[, fix_min := (R==1 & Seq[.N] > 1 & Seq%%6!=0), by=rleid(R)
    ][R==1 & Seq%%6==1 & Seq2%%6==1 & Seq==Seq2, fix_min := FALSE]

解释：

• data.table(R=sample(0:1, 20000, rep=TRUE)) 创建 data.table 的基础
• [, smp:=.I] 创建一个索引并将其添加到 data.table
• by=rleid(R) 识别序列；看看它做了什么尝试：data.table(R=sample(0:1, 20000, rep=TRUE))[, seq.id:=rleid(R)]
• [, Seq:=seq(.N), by=rleid(R)] 为每个序列创建一个索引并将其添加到 data.table；序列由rleid(R) 标识
• [, Seq2 := Seq[.N], by=rleid(R)] 创建一个变量，其中包含一个表示序列长度的值
• fix_min := (R==1 & Seq[.N] > 1 & Seq%%6!=0) 创建一个具有TRUE 值的逻辑向量，其中R==1 和序列的长度大于一（Seq[.N] > 1），不包括序列号是6 倍数的值（Seq%%6!=0）
• R==1 & Seq%%6==1 & Seq2%%6==1 & Seq==Seq2 过滤 data.table 如下：仅在 R==1 和序列值为 7、13、19 等 (Seq%%6==1) 和长度的行序列为7、13、19等，仅从满足其他条件的序列中选择最后一行（Seq==Seq2）。使用 fix_min := FALSE 将它们设置为 FALSE。