在大型数据集 R 上按 id 检查序列

如何解决在大型数据集 R 上按 id 检查序列

我需要检查大数据集中年份的值是否连续。

这是数据的样子：

b <- c(2011,2012,2010,2009:2011,2013,2015,2017,2011)
dat <- data.frame(cbind(a,b))
dat 

   a    b
1  1 2011
2  1 2012
3  1 2010
4  2 2009
5  2 2010
6  2 2011
7  3 2013
8  3 2015
9  3 2017
10 4 2010
11 4 2010
12 5 2011

这是我写的函数。它在小数据集上效果很好。然而，真实的数据集非常大，有 20 万个 id，而且需要很长时间。我该怎么做才能让它更快？

seqyears <- function(id,year,idlist) {
year <- as.numeric(year)
year_values <- year[id==idlist]
year_sorted <- year_values[order(year_values)]
year_diff <- diff(year_sorted)
answer <- unique(year_diff)

if(length(answer)==0) {return("single line")} else { # length 0 means that there is only value and hence no diff can be computed 
if(length(answer)==1 & answer==1) {return("sequence ok")}   else {
return("check sequence")}}
}

获取值向量

unlist(lapply(c(1:5),FUN=seqyears,id=dat$a,year=dat$b))

解决方法

我认为您可以更简单地汇总。

aggregate(dat$b,dat[,"a",drop=FALSE],function(z) any(diff(sort(z)) != 1))
#   a     x
# 1 1 FALSE
# 2 2 FALSE
# 3 3  TRUE
# 4 4  TRUE
# 5 5 FALSE

如果您需要它是那个字符串，ifelse 可以满足您的需求：

aggregate(dat$b,function(z) ifelse(any(diff(sort(z)) != 1),"check sequence","sequence ok"))
#   a              x
# 1 1    sequence ok
# 2 2    sequence ok
# 3 3 check sequence
# 4 4 check sequence
# 5 5    sequence ok

如果您有机会重复多年（这是可以接受的），那么您可以将内部匿名函数从 diff(sort(z)) 更改为 diff(sort(unique(z)))。

,

使用 dplyr

library(dplyr)
dat %>% 
    arrange(a,z) %>%
    group_by(a) %>% 
    summarise(x = case_when(any(z - lag(z) != 1) ~ 'check sequence',TRUE ~ 'sequence ok'))

,

这也可能有效：

library(dplyr)
dat %>% 
  group_by(a) %>% 
  arrange(a,b) %>% 
  summarise(consecutive_sequence = ifelse(any(abs(b - lead(b)) ==1),TRUE,NA)) 

输出：

      a consecutive_sequence
  <dbl> <chr>               
1     1 YES                 
2     2 YES                 
3     3 NA                  
4     4 NA                  
5     5 NA  

,

data.table 选项

setorder(setDT(dat),a,b)[,.(x = c("check sequence","sequence ok")[1 + all(diff(b) == 1)]),a]

给予

   a              x
1: 1    sequence ok
2: 2    sequence ok
3: 3 check sequence
4: 4 check sequence
5: 5    sequence ok