我有一个包含 107635 行和 3 列的大文件:主题、感兴趣区域 (ROI) 和试验次数。 ROI 可以是 A、B、C、D、E、F。
我想要做的是只保留那些在 ROI 列中我有 B、C、D 连续序列的试验，当 B 第一次出现时。 B、C 和 D 出现多少次并不重要。
在下面的例子中，我可以保留 ntrial 78 和 201，因为第一次出现 B 之后是 C 和 D。
但是，我需要删除ntrial 10 和400。在trial 10 中，B、C 和D 不连续。在审判400中，B第一次出现，B后面没有C和D。
对于输出，我只需要一个值为 1 的列来保留每一行中的试验，并为与要删除的试验对应的行设置一个值为 0。
关于如何创建可以自动化程序的代码，而无需目视检查每个试验的任何建议？
非常感谢!
subject ROI ntrial output
sbj05 A 78 1
sbj05 A 78 1
sbj05 A 78 1
sbj05 A 78 1
sbj05 A 78 1
sbj05 A 78 1
sbj05 B 78 1
sbj05 B 78 1
sbj05 C 78 1
sbj05 D 78 1
sbj05 E 78 1
sbj05 E 78 1
sbj05 E 78 1
sbj05 A 201 1
sbj05 A 201 1
sbj05 A 201 1
sbj05 A 201 1
sbj05 A 201 1
sbj05 B 201 1
sbj05 C 201 1
sbj05 D 201 1
sbj05 E 201 1
sbj05 E 201 1
sbj05 E 201 1
sbj05 F 201 1
sbj05 F 201 1
sbj05 A 10 0
sbj05 A 10 0
sbj05 A 10 0
sbj05 A 10 0
sbj05 B 10 0
sbj05 A 10 0
sbj05 C 10 0
sbj05 D 10 0
sbj05 E 10 0
sbj05 E 10 0
sbj05 A 400 0
sbj05 A 400 0
sbj05 A 400 0
sbj05 B 400 0
sbj05 A 400 0
sbj05 B 400 0
sbj05 C 400 0
sbj05 C 400 0
sbj05 C 400 0
sbj05 D 400 0
sbj05 E 400 0
sbj05 E 400 0
sbj05 D 400 0
最佳答案
这是使用 data.table 的尝试和 stringi
首先，我定义了一些辅助函数，它可以帮助我检测 B 的第一次准确率。每组并验证它们后跟正确的序列
Myfunc <- function(x) {
which(x == "B")[1L] ==
stri_locate_first_regex(paste(x, collapse = ""), 'B*CD')[, 1L]
}
然后，实现是直截了当的
library(data.table)
library(stringi)
setDT(df)[, if(Myfunc(ROI)) .SD, by = .(subject, ntrial)]
# subject ntrial ROI
# 1: sbj05 78 A
# 2: sbj05 78 A
# 3: sbj05 78 A
# 4: sbj05 78 A
# 5: sbj05 78 A
# 6: sbj05 78 A
# 7: sbj05 78 B
# 8: sbj05 78 B
# 9: sbj05 78 C
# 10: sbj05 78 D
# 11: sbj05 78 E
# 12: sbj05 78 E
# 13: sbj05 78 E
# 14: sbj05 201 A
# 15: sbj05 201 A
# 16: sbj05 201 A
# 17: sbj05 201 A
# 18: sbj05 201 A
# 19: sbj05 201 B
# 20: sbj05 201 C
# 21: sbj05 201 D
# 22: sbj05 201 E
# 23: sbj05 201 E
# 24: sbj05 201 E
# 25: sbj05 201 F
# 26: sbj05 201 F
或者，如果你只想要一个额外的列，你可以做
setDT(df)[, output := +Myfunc(ROI), by = .(subject, ntrial)]
关于R - 识别连续序列，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/31439273/