r - 如何从访问过的地方列表(有效地)构建边缘列表？

Question

我原来的 data.table 由三列组成。
site、observation_number 和 id。

例如以下是 id = z 的所有观察结果

|site|observation_number|id
|a   |                 1| z                 
|b   |                 2| z
|c   |                 3| z

这意味着 ID z 已经从 a 移动到 b 再到 c。

每个 id 没有固定数量的网站。

我希望将数据转换为这样的边列表

|from |to||id|
|a    | b| z |
|b    | c| z |

模拟数据

sox <- data.table(site =  c('a','b','c','a','c','c','a','d','e'),
       obsnum =c(1,2,3,1,2,1,2,3,4),
       id     =c('z','z','z','y','y','k','k','k','k'))

我目前这样做的方式感觉很复杂而且非常慢(sox 有 1.5 mio 行，dt_out 有大约 7.5 mio.rows)。 我基本上在 observation_number 上使用 for 循环将数据分成 block ，其中每个 ID 只出现一次(即 - 只有一次旅程，到 - 从)。 然后我转换数据，并将所有 block 剥离到一个新的 data.table。

dt_out <- data.table()
maksimum = sox[,max(observation_number)]
for (i in 1:maksimum-1) {
  i=1
  mini = i
  maxi = i+1
  sox_t <- sox[observation_number ==maxi | observation_number ==mini, ]
  temp_dt <- dcast(sox_t[id %in% sox_t[, .N, by = id][N>=2]$id,
                             .SD[, list(site, observation_number, a=rep(c('from', 'to')))] ,by=id],
                       id='id', value.var='site', formula=id~a)
  dt_out <- rbind(dt_out, temp_dt)
  i=max
  }

我希望有人能帮我优化这个，最好创建一个函数，我可以在其中输入 data.table、站点 ID、observationnumber id 和 id。出于某种原因，我无法创建函数，不管它是否有效。

更新

使用系统时间(并多次运行系统时间):

                             User - System - Elapsed
make_edgelist (data.table):  5.38     0.00      5.38
Data.table. with shift:     13.96     0.06     14.08 
dplyr, with arrange:         6.06     0.36      6.44

附注make_edgelist 已更新以订购 data.table

make_edgelist <- function(DT, site_var = "site", id_var = "id", obsnum_var   = "rn1") {
    DT[order(get(obsnum_var)),
    list(from = get(site_var)[-.N], to = get(site_var)[-1]), by = id_var]
}

令我惊讶的是，dplyr(使用 lead)几乎和 make_edgelist 一样快，并且比使用 shift 的 data.table 快得多。我想这意味着 dplyr 实际上会更快，更复杂的领先/滞后/转变。

我也觉得这很令人费解 - 但不知道它是否有任何意义，dplyr 使用的“系统”时间比两个 data.table 解决方案中的任何一个都多。

输入数据:150 万行。 结果:60 万行。

Answer 1

使用dplyr，你可以尝试:

sox %>%
 group_by(id) %>%
 transmute(from = site,
           to = lead(from)) %>%
 na.omit()

  id    from  to   
  <chr> <chr> <chr>
1 z     a     b    
2 z     b     c    
3 y     a     c    
4 k     c     a    
5 k     a     d    
6 k     d     e    

正如@Sotos 指出的那样，首先排列数据可能会很有用:

sox %>%
 arrange(id, obsnum) %>%
 group_by(id) %>%
 transmute(from = site,
           to = lead(from)) %>%
 na.omit()