R: подсчитывать последовательные вхождения значений в одном столбце

Я хочу создать последовательный номер в каждом прогоне равных значений, например счетчик вхождений, который перезапускается после того, как значение в текущей строке отличается от предыдущей строки.

Ниже приведен пример ввода и ожидаемого вывода.

dataset <- data.frame(input = c("a","b","b","a","a","c","a","a","a","a","b","c"))
dataset$counter <- c(1,1,2,1,2,1,1,2,3,4,1,1)
dataset

#    input counter
# 1      a       1
# 2      b       1
# 3      b       2
# 4      a       1
# 5      a       2
# 6      c       1
# 7      a       1
# 8      a       2
# 9      a       3
# 10     a       4
# 11     b       1
# 12     c       1

Мой вопрос очень похож на этот: Совокупная последовательность появления значений.

Ответ 1

Вам нужно использовать sequence и rle:

> sequence(rle(as.character(dataset$input))$lengths)
 [1] 1 1 2 1 2 1 1 2 3 4 1 1

Ответ 2

А начиная с v1.9.8 (пункт 16 НОВОСТЕЙ), используя rowid с rleid

dataset[, counter := rowid(rleid(input))]

временной код:

set.seed(1L)
library(data.table)
DT <- data.table(input=sample(letters, 1e6, TRUE))
DT1 <- copy(DT)

bench::mark(DT[, counter := seq_len(.N), by=rleid(input)], 
    DT1[, counter := rowid(rleid(input))])

тайминги:

  expression                                              min  median 'itr/sec' mem_alloc 'gc/sec' n_itr  n_gc total_time
  <bch:expr>                                          <bch:t> <bch:t>     <dbl> <bch:byt>    <dbl> <int> <dbl>   <bch:tm>
1 DT[, ':='(counter, seq_len(.N)), by = rleid(input)] 613.8ms 613.8ms      1.63    18.8MB     8.15     1     5      614ms
2 DT1[, ':='(counter, rowid(rleid(input)))]            60.5ms  71.4ms     12.7     26.4MB    14.5      7     8      553ms

Эффективная и более простая версия функции, написанной ниже, теперь доступна в пакете data.table, который называется rleid. Используя это, он просто:

setDT(dataset)[, counter := seq_len(.N), by=rleid(input)]

Подробнее об использовании и примерах см. в ?rleid. Спасибо @Henrik за предложение обновить этот пост.

rle, безусловно, самый удобный способ сделать это (+1 @Ananda's). Но можно было бы сделать лучше (с точки зрения скорости) на больших данных. Вы можете использовать функции duplist и vecseq (не экспортируются) из data.table следующим образом:

require(data.table)
arun <- function(y) {
    w = data.table:::duplist(list(y))
    w = c(diff(w), length(y)-tail(w,1L)+1L)
    data.table:::vecseq(rep(1L, length(w)), w, length(y))
}

x <- c("a","b","b","a","a","c","a","a","a","a","b","c")
arun(x)
# [1] 1 1 2 1 2 1 1 2 3 4 1 1

Сравнительный анализ больших данных:

set.seed(1)
x <- sample(letters, 1e6, TRUE)
# rle solution
ananda <- function(y) {
    sequence(rle(y)$lengths)
}

require(microbenchmark)
microbenchmark(a1 <- arun(x), a2<-ananda(x), times=100)
Unit: milliseconds
            expr       min        lq    median       uq       max neval
   a1 <- arun(x)  123.2827  132.6777  163.3844  185.439  563.5825   100
 a2 <- ananda(x) 1382.1752 1899.2517 2066.4185 2247.233 3764.0040   100

identical(a1, a2) # [1] TRUE

Ответ 3

Пакет- бегун имеет специальное решение для вычисления необходимого. streak_run является самым быстрым решением и принимает вектор как вход.

library(microbenchmark); library(runner)

x      <- sample(letters, 1e6, TRUE)
ananda <- function(y) sequence(rle(y)$lengths)

microbenchmark( a2<-ananda(x), runner <- streak_run(x), times=100)

#Unit: milliseconds
#                expr     min      lq     mean  median       uq      max neval
#     a2 <- ananda(x) 580.744 718.117 1059.676 944.073 1399.649 1699.293    10
#run <- streak_run(x)  37.682  39.568   42.277  40.591   43.947   52.917    10

identical(a2, run)
#[1] TRUE