r - 数据管理 : flatten data with R

Question

我有以下收集政策演变的数据框:

Df <- data.frame(Id_policy = c("A_001", "A_002", "A_003","B_001","B_002"),
                 date_new = c("20200101","20200115","20200304","20200110","20200215"),
                 date_end = c("20200503","20200608","20210101","20200403","20200503"),
                 expend = c("","A_001","A_002","",""))

看起来像这样:

  Id_policy date_new date_end expend
     A_001 20200101 20200503       
     A_002 20200115 20200608  A_001
     A_003 20200304 20210101  A_002
     B_001 20200110 20200403       
     B_002 20200215 20200503       

“Id_policy”为具体保单，“date_new”为保单签发日期，“date_end”为保单终止日期.但是，有时政策会延长。在这种情况下，将设置一个新策略，变量“expend”提供它更改的先前策略的名称。

这里的想法是扁平化数据集，因此我们只保留与不同政策相对应的行。所以，输出将是这样的:

  Id_policy date_new date_end expend
     A_001 20200101 20210101       
     B_001 20200110 20200403       
     B_002 20200215 20200503     

有人遇到过类似的问题吗？

Answer 1

一种方法是将此视为网络问题并使用 igraph 函数(相关帖子，例如 Make a group_indices based on several columns ; Fast way to group variables based on direct and indirect similarities in multiple columns)。

1. 将缺少的'expend'设置为'Id_policy'

2. 使用 graph_from_data_frame 创建一个图，其中 'expend' 和 'Id_policy' 列被视为边列表。

3. 使用 components 获取图的连接组件，即直接或间接连接的“Id_policy”。

4. 选择membership元素获取“每个顶点所属的簇id”。

5. 加入原始数据的成员资格。

6. 获取按成员分组的相关数据。

我使用 data.table 进行数据整理步骤，但这当然也可以在 base 或 dplyr 中完成。

library(data.table)
library(igraph)

setDT(Df)
Df[expend ==  "", expend := Id_policy]

g = graph_from_data_frame(Df[ , .(expend, Id_policy)])
mem = components(g)$membership

Df[.(names(mem)), on = .(Id_policy), mem := mem]    

Df[ , .(Id_policy = Id_policy[1],
        date_new = first(date_new),
        date_end = last(date_end), by = mem]
#    mem Id_policy date_new date_end
# 1:   1     A_001 20200101 20210101
# 2:   2     B_001 20200110 20200403
# 3:   3     B_002 20200215 20200503