r - 结合基于多个条件的观察

Question

目前我正在写我的硕士论文，但是，我在多个条件下合并行时遇到了一些问题。我在下面说明了我的问题和期望的结果。我希望你能帮助我 :)。

这是我的数据集的示例:

df <- data.frame(
  userID = c(1, 1, 1, 1, 1, 2, 2, 3, 3, 3, 3),
  sessionID = c(1, 2, 3, 4, 5, 1, 2, 1, 2, 3, 4),
  date = as.Date(c("2019-03-15", "2019-03-18", "2019-03-19", "2019-03-21","2019-03-30", "2019-04-05", 
                   "2019-06-06", "2019-11-22", "2019-12-22", "2019-12-24", "2020-01-15"), 
                 format = "%Y-%m-%d"),
  purchase=c(0,1,0,0,0,0,0,0,0,1,0))

现在，我已经通过 dplyr 通过 diff 计算了差异:

library(dplyr)
df <- df %>%
  group_by(userID) %>%
  mutate(diff = date - lag(date))

但是，如果它们之间的差异小于 10 天，我想合并这些行。我希望每次有事件(一个新的 sessionID)时重置 10 天的窗口。此外，当 purchase 为 1 时停止，10 天的窗口将在有新的 sessionID 时重新开始。

我在 dplyr 中尝试了很多关于函数 filter 和 summarize 的事情，但它没有给出想要的结果。此外，我真的不知道如何包括购买条件。

我想要的结果是这样的:

df2 <- data.frame(
  userID = c(1, 1, 2, 2, 3, 3, 3),
  sessionID = c("1 + 2", "3 + 4 + 5", "1", "2", "1", "2 + 3", "4"),
  date.start = as.Date(c("2019-03-15","2019-03-19", "2019-04-05", 
                   "2019-06-06", "2019-11-22", "2019-12-22", "2020-01-15"), 
                 format = "%Y-%m-%d"),
  date.end = as.Date(c("2019-03-18", "2019-03-30", "2019-04-05", "2019-06-06", 
                     "2019-11-22", "2019-12-24", "2020-01-15"), format = "%Y-%m-%d"),  
  purchase=c(1,0,0,0,0,1,0))

我希望你能帮助我:)提前致谢!

Answer 1

按 'userID' 分组，通过对 'purchase' 的 lag 进行累加，根据 'purchase' 中 1 的出现创建一个新组，然后根据差异相邻“日期”值的差异，即检查差异是否大于或等于 10 天，进行累计和，并通过粘贴 ( str_c ), 获取 'date' 的 first 元素和 'date' 的 last 以及 'purchase' 中 1 的 any 值作为汇总栏

library(dplyr)
library(stringr)
df %>% 
    group_by(userID) %>%
    group_by( grp = cumsum(lag(purchase, 
        default = first(purchase))), .add = TRUE) %>%
    group_by(cat = cumsum(difftime(date, 
      lag(date, default = first(date)), units = 'day') >= 10), .add = TRUE ) %>%
    summarise(sessionID = str_c(sessionID, collapse= ' + '), 
              date.start = first(date), date.end = last(date), 
               purchase = +(any(purchase == 1)), .groups = 'drop' ) %>%
    select(-grp, -cat)

-输出

# A tibble: 7 x 5
  userID sessionID date.start date.end   purchase
   <dbl> <chr>     <date>     <date>        <int>
1      1 1 + 2     2019-03-15 2019-03-18        1
2      1 3 + 4 + 5 2019-03-19 2019-03-30        0
3      2 1         2019-04-05 2019-04-05        0
4      2 2         2019-06-06 2019-06-06        0
5      3 1         2019-11-22 2019-11-22        0
6      3 2 + 3     2019-12-22 2019-12-24        1
7      3 4         2020-01-15 2020-01-15        0