按组选择每个连续运行中的第一行

如何解决按组选择每个连续运行中的第一行

我有按“ID”分组的数据。每个“ID”在不同的日期都有不同的药物。在每次连续运行的“药物”中，我只想保留第一行。这应该按组完成，即在每个“ID”内。数据中有两个例子：

ID        date    drug  
 1  01/01/2020       A # first row in run 1 of 'A' for ID 1: keep 
 1  07/01/2020       A # 2nd row in run 1 of 'A' for ID 1: drop
 1  09/01/2020       B
 1  15/01/2020       A
 2  01/02/2020       C 
 2  13/02/2020       D
 2  17/02/2020       C # first row in run 2 of 'C' of ID 2: keep 
 2  18/03/2020       C # 2nd row in run 2 of 'C' of ID 2: drop 
 2  19/03/2020       E

所需的输出：

ID     date             drug  
1      01/01/2020        A
1      09/01/2020        B
1      15/01/2020        A
2      01/02/2020        C
2      13/02/2020        D
2      17/02/2020        C
2      19/03/2020        E

我已经尝试了以下方法，但我无法使它起作用，因为它会移除那些来自同一组但稍后出现的药物，例如它会在 15/01/2020、17/02/2020 和 18/03/2020 下降，因为它只按组进行第一次观察。

df_selection <- df %>%   
  group_by(ID) %>% 
  arrange(ID,date) %>% 
  group_by(ID,drug) %>% 
  slice(1L) %>% 
  arrange(ID,date)

我尝试了很多组合，但我无法让它发挥作用。我真的很感激一些帮助！

---

另外一个例子来证明一个“ID”中的最后一个“药物”与下一个“ID”中的第一个相同，这里是药物“B”：

ID       date drug
 1 01/01/2020    A
 1 07/01/2020    A
 1 09/01/2020    B # first row in a run of 'B' for ID 1: keep 
 1 15/01/2020    B # 2nd row in a run of 'B' for ID 1: drop 
 2 01/02/2020    B # first row in a run of 'B' for ID 2: keep 
 2 13/02/2020    B # 2nd: drop
 2 17/02/2020    B # 3rd: drop
 2 18/03/2020    E
 2 19/03/2020    E

解决方法

使用 data.table：

setDT(df)[rowid(rleid(drug)) == 1]
#    ID       date drug
# 1:  1 01/01/2020    A
# 2:  1 09/01/2020    B
# 3:  1 15/01/2020    A
# 4:  2 01/02/2020    C
# 5:  2 13/02/2020    D
# 6:  2 17/02/2020    C
# 7:  2 19/03/2020    E

如果应该在每个“ID”中考虑“药物”的运行，我们需要...

df[rowid(rleid(ID,drug)) == 1]

...处理以下情况：

   ID       date drug
1:  1 01/01/2020    A
2:  1 07/01/2020    A
3:  1 09/01/2020    B
4:  1 15/01/2020    B # This 'B' belongs to 2nd run in ID 1 
5:  2 01/02/2020    B # This 'B' belongs to 1st run in ID 2
6:  2 13/02/2020    B
7:  2 17/02/2020    B
8:  2 18/03/2020    E
9:  2 19/03/2020    E

,

df %>% filter(drug != lag(drug,default = ""))

或者，如果您想为一个 ID 保留第一个出现的药物，即使它与前一个 ID 的最后一个药物匹配（例如，假设 ID2 的第一个药物是 A，因此我们希望保留它。）：>

df %>%
  filter(drug != lag(drug,default = "") |
           ID != lag(ID,default = 0))

,

将 base R 与 rle 一起使用

subset(df,with(rle(drug),!duplicated(rep(seq_along(values),lengths))))

,

希望此代码适用于您的一般情况

> subset(df,sequence(rle(drug)$lengths) == 1)
  ID       date drug
1  1 01/01/2020    A
3  1 09/01/2020    B
4  1 15/01/2020    A
5  2 01/02/2020    C
6  2 13/02/2020    D
7  2 17/02/2020    C
9  2 19/03/2020    E