r - 根据日期范围合并行

Question

我想组合数据框的行，以便“开始”和“结束”列描述的范围包括原始数据集中的所有值。可能存在重叠、重复和嵌套范围。某些范围可能会丢失。

这是我想要折叠的数据类型的示例:

data = data.frame(rbind(
    c("Roger", 1,  10),
    c("Roger", 10, 15),
    c("Roger", 16, 17),
    c("Roger", 3,  6),
    c("Roger", 20, 25),
    c("Roger", NA, NA),
    c("Susan", 2,  8)))
names(data) = c("name", "start", "end")
data$start = as.numeric(as.character(data$start))
data$end = as.numeric(as.character(data$end))

期望的结果是:

name   start end
Roger  1     17
Roger  20    25
Susan  2     8

我的尝试是扩展每行范围中的每个项目。这可行，但我不知道如何缩小它。此外，我正在使用的完整数据集约有 3000 万行和非常大的范围，因此这种方法非常慢。

pb <- txtProgressBar(min = 0, max = length(data$name), style = 3)
mylist = list()
for(i in 1:length(data$name)){
  subdata = data[i,]
  if(is.na(subdata$start)){
    mylist[[i]] = subdata
    mylist[[i]]$each = NA
  }
  if(!is.na(subdata$start)){
    sequence = seq(subdata$start, subdata$end)  
    mylist[[i]] = subdata[rep(1, each = length(sequence)),]
    mylist[[i]]$daily = sequence
  }
  setTxtProgressBar(pb, i)
}

rbindlist(mylist)

Answer 1

我猜 IRanges 对此更有效，但是......

library(data.table)

# remove missing values
DT = na.omit(setDT(data))

# sort
setorder(DT, name, start)

# mark threshold for a new group
DT[, high_so_far := shift(cummax(end), fill=end[1L]), by=name]

# group and summarise
DT[, .(start[1L], end[.N]), by=.( name, g = cumsum(start > high_so_far + 1L) )]

#     name g V1 V2
# 1: Roger 0  1 17
# 2: Roger 1 20 25
# 3: Susan 1  2  8

工作原理:

• cummax 是累积最大值，因此是迄今为止的最高值，包括当前行。
• 要获取不包括当前行的值，请使用 shift(从前一行提取)。
• cumsum(some_condition) 是创建分组变量的标准方法。
• .N 是由 by= 确定的组的最后一行。

如果需要，可以在最后一步中对列进行命名，例如 .(s = start[1L], e = end[.N])。

<小时/>

带有日期间隔。如果使用日期，我建议使用 IDate 类；只需使用 as.IDate 转换 Date 即可。

我们可以在日期上+1，但遗憾的是不能cummax，所以...

cummax_idate = function(x) (setattr(cummax(unclass(x)), "class", c("Date", "IDate")))

set.seed(1)
d = sample(as.IDate("2011-11-11") + 1:10)
cummax_idate(d)
#  [1] "2011-11-14" "2011-11-15" "2011-11-16" "2011-11-18" "2011-11-18"
#  [6] "2011-11-19" "2011-11-20" "2011-11-20" "2011-11-21" "2011-11-21"

我认为这个函数可以用来代替cummax。

函数中额外的 () 存在，因为 setattr 不会打印其输出。