r - 从数据帧行中挖掘序列

Question

长期寻求答案的人，第一次提问的人。我有一个 R 数据框，它是单列、267,000 行和 17 个因子，如下所示:

regions
VE
PU
PR
DE
NU
AD
DE
NO
AD

我试图将这些提取为列序列，长度为 2 和 3，然后向下移动 1 行并重复直到结束。重复并订购礼物。我想采用以上内容，并使其看起来像这样:

s1   s2
VE   PU
PU   PR
PR   DE
DE   NU
NU   AD
AD   DE
DE   NO

我试过使用像 TraMinEr 和 ArulesSequences 这样的包，但我无法理解它们。我认为这是因为我的序列是纯粹的状态，没有附加时间信息，甚至在源数据集中也没有。我也尝试制作自己的迭代器脚本，但没有成功。我无休止地用谷歌搜索，但我无能为力。我不知道该怎么做。最终目标是将输出与 2 或 3 排列数据帧进行匹配，并用 1 进行二值化匹配，0 表示不匹配，并将 x49 处理成一个新的数据帧。

我不是编程或 R 方面的专家，只是一个新手。有谁知道可以执行此操作的脚本或程序包？

Answer 1

您基本上想要做的是将没有最后观察的 regions 分配给 s1 和没有第一次观察的 regions s2 。你不一定需要额外的包。有几种方法:

1) 使用head 和tail 函数

有了这些，您可以获得没有最后一次观察(head(column, -1))或没有第一次观察(tail(column, -1))的向量.

使用:

new.df <- data.frame(s1 = head(df$regions,-1), s2 = tail(df$regions,-1))

因此会让你:

> new.df
  s1 s2
1 VE PU
2 PU PR
3 PR DE
4 DE NU
5 NU AD
6 AD DE
7 DE NO
8 NO AD

如果你想要三列，你可以这样做:

new.df <- data.frame(s1 = head(df$regions,-2), 
                     s2 = head(tail(df$regions,-1),-1),
                     s3 = tail(df$regions,-2))

结果是:

> new.df
  s1 s2 s3
1 VE PU PR
2 PU PR DE
3 PR DE NU
4 DE NU AD
5 NU AD DE
6 AD DE NO
7 DE NO AD

2) 基本子集化

作为 head 和 tail 函数的替代方案，您还可以使用基本子集:

new.df <- data.frame(s1 = df$regions[-nrow(df)], 
                     s2 = df$regions[-1])

3) 使用embed-函数

n <- 3
new.df <- data.frame(embed(df$regions, n)[,n:1])
names(new.df) <- paste0('s',1:n)

给出:

> new.df
  s1 s2 s3
1 VE PU PR
2 PU PR DE
3 PR DE NU
4 DE NU AD
5 NU AD DE
6 AD DE NO
7 DE NO AD

4) 使用 data.table-package 中的 shift 函数

data.table 包中的 shift 函数也可能是一个选项:

library(data.table)
dt <- as.data.table(df)
new.dt <- na.omit(dt[, .(s1 = regions,
                         s2 = shift(regions, 1, NA, 'lead'),
                         s3 = shift(regions, 2, NA, 'lead'))])

除了 na.omit，您还可以在 is.na 上使用 rowSums:

new.dt <- dt[, .(s1 = regions,
                 s2 = shift(regions, 1, NA, 'lead'),
                 s3 = shift(regions, 2, NA, 'lead'))]

new.dt[rowSums(is.na(new.dt))==0]