如何根据某些条件将行组合在一起？（R 或 Python）

Question

目的：如果“主题”、“Re”和“长度”列具有相同的连续值，并且“文件夹”== “out”，则将数据的各个部分组合在一起|“草稿”，消息 == “”，编辑为 == “T”并获取其持续时间。Subject Re                    Length         Folder      Message   Date                   Edit             [e-mail],[e-mail] 80             out                   1/2/2020 1:00:01 AM     T                                       [e-mail],[e-mail] 80             out                   1/2/2020 1:00:05 AM     T                        hey     [e-mail],[e-mail] 80             out                   1/2/2020 1:00:10 AM     T                        hey     [e-mail],[e-mail] 80             out                   1/2/2020 1:00:15 AM     T                        hey     [e-mail],[e-mail] 80             out                   1/2/2020 1:00:30 AM     T hey     [e-mail],[e-mail] 80            draft                  1/2/2020 1:02:00 AM     T                        hey     [e-mail],[e-mail] 80            draft                  1/2/2020 1:02:05 AM     T                        hey     [e-mail],[e-mail] 80             out                   1/2/2020 1:03:10 AM     T                        hey     [e-mail],[e-mail] 80             out                   1/2/2020 1:03:20 AM     T                        所需输出 Start                  End                        Duration          Group 1/2/2020 1:00:10 AM    1/2/2020 1:00:30 AM        20                A 1/2/2020 1:02:00 AM    1/2/2020 1:02:05 AM        5                 A 1/2/2020 1:03:10 AM    1/2/2020 1:03:20 AM        10                A我知道我可以这样过滤：   df1<-df2 %>%   mutate(Date = lubridate::mdy_hms(Date),     cond = Edit == "T" & ItemFolderName == "out" | Folder == "drafts" &     Message == "" & Subject     ==  ?   & Re ==   ?     & Length == ?   但不确定如何合并“如果有连续值”。我会继续研究，任何帮助或建议都非常感谢。

Answer 1

您的外观与您发布的数据框略有不同：structure

> df

   Subject                   Recipient Length Folder Message                Date Edit

1                                          80    out      NA 1/2/2020 1:00:01 AM TRUE

2                                          80    out      NA 1/2/2020 1:00:05 AM TRUE

3      hey [e-mail],[e-mail]     80    out      NA 1/2/2020 1:00:10 AM TRUE

4      hey [e-mail],[e-mail]     80    out      NA 1/2/2020 1:00:15 AM TRUE

5      hey [e-mail],[e-mail]     80    out      NA 1/2/2020 1:00:30 AM TRUE

6                                          NA             NA                       NA

7                                          NA             NA                       NA

8      hey [e-mail],[e-mail]     80  draft      NA 1/2/2020 1:02:00 AM TRUE

9      hey [e-mail],[e-mail]     80  draft      NA 1/2/2020 1:02:05 AM TRUE

10                                         NA             NA                       NA

11                                         NA             NA                       NA

12     hey [e-mail],[e-mail]    100  draft      NA 1/2/2020 1:03:00 AM TRUE

13     hey [e-mail],[e-mail]    100  draft      NA 1/2/2020 1:03:20 AM TRUE

此外，您所需的输出表明您希望按其他类别拆分组，但这不是您的描述所说的，因此我没有按 分组。不过，如果您愿意，这很容易改变。FolderFolder

您可以使用运行长度编码来消除排序数据中相同连续值的组的歧义，但在 R 中，转换为数据框列有点棘手。我用这个答案来实现这一点。rle

library(lubridate)

library(dplyr)

df %>%

  mutate(Date = mdy_hms(Date),

         Key = paste(Subject, Recipient, Length, sep = "_")) %>%

  arrange(Date) %>%

  filter(Folder == "out" | Folder == "draft" & Edit == TRUE) %>%

  mutate(RLE = {RLE = rle(Key) ; rep(seq_along(RLE$lengths), RLE$lengths)}) %>%

  group_by(RLE) %>%

  summarize(Start = first(Date),

            End = last(Date),

            Duration = as.numeric(End) - as.numeric(Start))

这将从第 1：2 行、3：5+8：9 和 12：13 行创建组。这些组给出以下持续时间：

# A tibble: 3 x 4

    RLE Start               End                 Duration

  <int> <dttm>              <dttm>                 <dbl>

1     1 2020-01-02 01:00:01 2020-01-02 01:00:05        4

2     2 2020-01-02 01:00:10 2020-01-02 01:02:05      115

3     3 2020-01-02 01:03:00 2020-01-02 01:03:20       20

如果要包含在分组中，请将其添加到创建 中包含的内容中。这使得小组1：2，3：5，8：9和12：13。这样做会得到这样的结果：FolderKey

# A tibble: 4 x 4

    RLE Start               End                 Duration

  <int> <dttm>              <dttm>                 <dbl>

1     1 2020-01-02 01:00:01 2020-01-02 01:00:05        4

2     2 2020-01-02 01:00:10 2020-01-02 01:00:30       20

3     3 2020-01-02 01:02:00 2020-01-02 01:02:05        5

4     4 2020-01-02 01:03:00 2020-01-02 01:03:20       20