根据列值按组对行进行聚类

2 回答

• 7

  这是使用 rle 的选项：

  df %>% 
    group_by(ID) %>% 
    mutate(clust = with(rle(Obs), rep(cumsum(values == 1), lengths)))
  # # A tibble: 13 x 4
  # # Groups:   ID [2]
  # ID   Obs Cluster clust
  # <dbl> <dbl>   <dbl> <int>
  # 1    1.    0.      0.     0
  # 2    1.    1.      1.     1
  # 3    1.    1.      1.     1
  # 4    1.    0.      1.     1
  # 5    1.    1.      2.     2
  # 6    1.    0.      2.     2
  # 7    1.    0.      2.     2
  # 8    1.    1.      3.     3
  # 9    1.    1.      3.     3
  # 10    1.    1.      3.     3
  # 11    2.    0.      0.     0
  # 12    2.    0.      0.     0
  # 13    2.    1.      1.     1
  

  这是它的主要部分：

  rle(df$Obs)
  #Run Length Encoding
  #  lengths: int [1:8] 1 2 1 1 2 3 2 1
  #  values : num [1:8] 0 1 0 1 0 1 0 1
  

  这告诉你每一段1或0在Obs列中有多长（我现在忽略ID分组） .

  我们现在需要的是累计计算1s的strectches的次数，并且为了做到这一点，我们只是简单地计算出值为1的位置：

  with(rle(df$Obs), cumsum(values == 1))
  #[1] 0 1 1 2 2 3 3 4
  

  到目前为止一直很好，现在我们需要重复那些值，因为这些值很长，因此我们使用 rep 和来自rle的 lengths 信息：

  with(rle(df$Obs), rep(cumsum(values == 1), lengths))
  # [1] 0 1 1 1 2 2 2 3 3 3 3 3 4
  

  最后，我们通过ID组进行此操作 .

  ---

  如果需要为不同的obs-columns创建多个cluster-column，可以按如下方式轻松完成：

  df %>% 
    group_by(ID) %>% 
    mutate_at(vars(starts_with("Obs")), 
              funs(cluster= with(rle(.), rep(cumsum(values == 1), lengths))))
  
  # # A tibble: 13 x 7
  # # Groups:   ID [2]
  # ID  Obs1  Obs2 ClusterObs1 ClusterObs2 Obs1_cluster Obs2_cluster
  # <dbl> <dbl> <dbl>       <dbl>       <dbl>        <int>        <int>
  # 1    1.    0.    0.          0.          0.            0            0
  # 2    1.    1.    0.          1.          0.            1            0
  # 3    1.    1.    0.          1.          0.            1            0
  # 4    1.    0.    1.          1.          1.            1            1
  # 5    1.    1.    1.          2.          1.            2            1
  # 6    1.    0.    1.          2.          1.            2            1
  # 7    1.    0.    0.          2.          1.            2            1
  # 8    1.    1.    1.          3.          2.            3            2
  # 9    1.    1.    0.          3.          2.            3            2
  # 10    1.    1.    1.          3.          3.            3            3
  # 11    2.    0.    0.          0.          0.            0            0
  # 12    2.    0.    0.          0.          0.            0            0
  # 13    2.    1.    1.          1.          1.            1            1
  

  其中df是：

  df <- data.frame(ID = c(1,1,1,1,1,1,1,1,1,1,2,2,2), Obs1 = c(0,1, 1, 0, 1,0,0, 1, 1, 1, 0,0,1), Obs2 = c(0,0, 0, 1, 1,1,0, 1, 0, 1, 0,0,1), ClusterObs1 = c(0,1,1,1,2,2,2,3,3,3,0,0,1), ClusterObs2 = c(0,0,0,1,1,1,1,2,2,3,0,0,1))
  

  回复于 2024-05-15T03:18:42+08:00
• 2

  这是一个非常有趣的问题所以这里有一个data.table解决方案：

  # Packages used
  library(data.table)
  library(magrittr)
  
  # Setup
  setDT(df)
  df[, Obs := as.integer(Obs)]
  
  # Calculations
  df[, Cluster := cumsum(!Obs), by = ID] %>%
    .[, Cluster := Cluster - rowid(Obs) * !Obs, by = rleid(Obs)] %>%
    .[, Cluster := frank(Cluster, ties.method = "dense") - 1L, by = ID]
  
  df
      ID Obs Cluster
   1:  1   0       0
   2:  1   1       1
   3:  1   1       1
   4:  1   0       1
   5:  1   1       2
   6:  1   0       2
   7:  1   0       2
   8:  1   1       3
   9:  1   1       3
  10:  1   1       3
  11:  2   0       0
  12:  2   0       0
  13:  2   1       1
  

  回复于 2024-05-15T03:18:42+08:00