R - 基于前一行和其他列的新因子变量。优化 Ielse

Question

我一直在搜索周围的 SO 和其他数据科学和编程博客，但我没有找到满足我特定需求的答案。所以，如果您发现这个问题重复，请告诉我信息来源并关闭/删除这个问题。

我的真实数据将有几千行，所以我在这里只显示一小部分虚构的数据，它们与我的原始数据非常相似:

Data <- data.frame(
  ID = c(1,1,1,1,2,2,2,2,3,3),
  Year = c(2014,2015,2016,2017,2007,2008,2009,2010,2016,2017),
  CmSm = c(1,2,1,0,1,0,0,1,1,0),
  Index = c(1,2,3,4,1,2,3,4,1,2)
)

我最终想要得到的数据集是:

Dataout <- data.frame(
     ID = c(1,1,1,1,2,2,2,2,3,3),
     Year = c(2014,2015,2016,2017,2007,2008, 2009,2010,2016,2017),
     CmSm = c(1,2,1,0,1,0,0,1,1,0),
     Index = c(1,2,3,4,1,2,3,4,1,2),
     Cassification = c("New", "Existing", "Existing", "Lost", "New", "Lost","","Returning", "New","Lost")
 )

到目前为止我最好的尝试如下:

Dataout$Status <- ave( Dataout$CmSm, 
 Dataout$ID, 
 FUN = function(x) ifelse( Dataout$Index == 1, "New", ifelse( x[-1] == 0 & x > 0, "Returning", ifelse( x[-1] == 0 & x == 0, "", ifelse( x[-1] > 0 & x == 0, "Lost", "Existing" ) ) ) ) )

但是这种尝试有两个问题:

1. 分类错误；

2. 当我在我的原始数据中使用此代码时，有成千上万行，R 进行了 15 分钟的计算并且不检索任何结果(我想 ifelse 没有帮助......)，不是更何况分配给进程的内存高得离谱。

手头问题的解释，分类规则:

给定项目 ID、年份和项目 ID 索引的列表，我想将这些项目分类为以下类别:"new"、“现有”、“返回”、“丢失”和“”或 null 或 NA。分类规则如下(CmSm-1表示相对于现在CmSm值的近期前期值):

如果索引 == 1 则“新建”。

如果 Index > 1 那么:

如果 CmSm-1 == 0 且 CmSm > 0，则“返回”。

如果 CmSm-1 == 0 且 CmSm == 0 则 ""-> 这类似于对象没有注册事件的情况。

如果 CmSm-1 > 0 且 CmSm > 0，则“存在”。

如果 CmSm-1 > 0 且 CmSm == 0 则“丢失”。

如果您觉得我的规则解释令人困惑，请告诉我，这样我就有机会为您澄清。

提前感谢您提供的任何帮助。干杯!

Answer 1

为什么不只使用单个矢量化条件步骤？

library(dplyr)

Data$Classification <- NA
Data$Classification[Data$Index == 1] <- "New"
Data$Classification[Data$Index > 1 & lag(Data$CmSm) == 0 & Data$CmSm > 0] <- "Returning"
Data$Classification[Data$Index > 1 & lag(Data$CmSm) == 0 & Data$CmSm == 0] <- ""
Data$Classification[Data$Index > 1 & lag(Data$CmSm) > 0 & Data$CmSm > 0] <- "Existing"
Data$Classification[Data$Index > 1 & lag(Data$CmSm) > 0 & Data$CmSm == 0] <- "Lost"

> Data
   ID Year CmSm Index Classification
1   1 2014    1     1            New
2   1 2015    2     2       Existing
3   1 2016    1     3       Existing
4   1 2017    0     4           Lost
5   2 2007    1     1            New
6   2 2008    0     2           Lost
7   2 2009    0     3               
8   2 2010    1     4      Returning
9   3 2016    1     1            New
10  3 2017    0     2           Lost

这有快如 hell 的好处。

这个与 case_when 的微基准测试:

Unit: milliseconds
   expr      min       lq     mean   median       uq      max neval cld
    LAP 1.173902 1.208178 1.580413 1.253404 1.313137 17.07946   100  a 
 h3rm4n 5.538701 5.732692 7.310704 5.913030 6.138168 50.67234   100   b