使用包含启动和结束索引的向量分配数据帧中的组

Question

df <- data.frame(X = LETTERS[1:20], 
                 Y = paste0("abc_", 1:20))
#  X     Y
#1 A abc_1
#2 B abc_2
#3 C abc_3
#4 D abc_4
#5 E abc_5
#6 F abc_6
# ...

我需要基于两个整数向量分配组ID。一个指示组从哪里开始，另一个指示组在哪里结束：

start_ix <- c(2, 5, 8, 10, 15, 18)
end_ix   <- c(4, 7, 9, 13, 17, 19)

I.E。第一组是第2至4行，第二组是第5至7行，依此类推。这些索引中未包含的任何行（或开始和停止值之间的跨度）应为

NA

。

期望的结果是：

df_want <- structure(list(X = c("A", "B", "C", "D", "E", "F", "G", "H", 
"I", "J", "K", "L", "M", "N", "O", "P", "Q", "R", "S", "T"), 
    Y = c("abc_1", "abc_2", "abc_3", "abc_4", "abc_5", "abc_6", 
    "abc_7", "abc_8", "abc_9", "abc_10", "abc_11", "abc_12", 
    "abc_13", "abc_14", "abc_15", "abc_16", "abc_17", "abc_18", 
    "abc_19", "abc_20"), grp = c(NA, 1, 1, 1, 2, 2, 2, 3, 3, 
    4, 4, 4, 4, NA, 5, 5, 5, 6, 6, NA)), row.names = c(NA, -20L
), class = "data.frame")

#    X      Y grp
# 1  A  abc_1  NA
# 2  B  abc_2   1
# 3  C  abc_3   1
# 4  D  abc_4   1
# 5  E  abc_5   2
# 6  F  abc_6   2
# 7  G  abc_7   2
# 8  H  abc_8   3
# 9  I  abc_9   3
# 10 J abc_10   4
# 11 K abc_11   4
# 12 L abc_12   4
# 13 M abc_13   4
# 14 N abc_14  NA
# 15 O abc_15   5
# 16 P abc_16   5
# 17 Q abc_17   5
# 18 R abc_18   6
# 19 S abc_19   6
# 20 T abc_20  NA

在我的具体情况下，解决方案需要在基本r

中完成，但是为了其他可能存在相同问题的人，可以随意从外部包装发布解决方案。

我尝试了索引，分类和seq的组合，但似乎无法提出解决方案。

a

base

使用

Answer 1

.

。

. <- 1 + end_ix - start_ix
df[sequence(., start_ix), "grp"] <- rep(seq_along(.), .)

用另一个使用

Map

base

meth。

. <- Map(seq, start_ix, end_ix)
df[unlist(.), "grp"] <- rep(seq_along(.), lengths(.))

基准测试

bench::mark(
jpsmith = local({seqV <- Vectorize(seq.default, vectorize.args = c("to", "from"))
  ix <- unlist(seqV(start_ix, end_ix))
  df[ix, "grp"] <- rep(1:length(start_ix), (end_ix - start_ix) + 1)
  df}),
zx8754 = local({for(i in seq_along(start_ix)){
  df[ start_ix[ i ]:end_ix[ i ], "grp"] <- i}
  df}),
GKiSeq = local({. <- 1 + end_ix - start_ix
  df[sequence(., start_ix), "grp"] <- rep(seq_along(.), .)
  df}),
GKiMap = local({. <- Map(seq, start_ix, end_ix)
  df[unlist(.), "grp"] <- rep(seq_along(.), lengths(.))
  df})
)
#  expression      min  median itr/s…¹ mem_a…² gc/se…³ n_itr  n_gc total…⁴ result
#  <bch:expr> <bch:tm> <bch:t>   <dbl> <bch:b>   <dbl> <int> <dbl> <bch:t> <list>
#1 jpsmith     186.1µs 198.4µs   4944.    280B    12.3  2408     6   487ms <df>  
#2 zx8754      212.4µs 226.6µs   4339.    280B    12.4  2095     6   483ms <df>  
#3 GKiSeq       60.6µs  67.1µs  14679.    280B    12.3  7160     6   488ms <df>  
#4 GKiMap        103µs 111.6µs   8748.    280B    12.3  4265     6   488ms <df>  

虽然可能有更好的解决方案，这是一个潜在的解决方案，该解决方案是

---

Vectorize

函数索引行，然后使用

seq

中的启动和终端位置差的向量来识别组：

Answer 2

使用

for loop：

#Index
seqV <- Vectorize(seq.default, vectorize.args = c("to", "from"))
ix <- unlist(seqV(start_ix, end_ix))

#Assign groups
df[ix, "grp"] <- rep(1:length(start_ix), (end_ix - start_ix) + 1)

# Validate
all.equal(df_want, df)
# [1] TRUE

其他选项，使用

data.table::foverlaps

：

：

Answer 3

for(i in seq_along(start_ix)){
  df[ start_ix[ i ]:end_ix[ i ], "grp"] <- i
  }

a

library(data.table)

df1 <- cbind(data.table(start = seq(nrow(df)), end = seq(nrow(df))), df)
df2 <- data.table(start = start_ix, end = end_ix, grp = seq_along(start_ix))

setkey(df1, start, end)
setkey(df2, start, end)

foverlaps(df1, df2)[, .(X, Y, group)]
#     X      Y   grp
#  1: A  abc_1    NA
#  2: B  abc_2     1
#  3: C  abc_3     1
#  4: D  abc_4     1
#  5: E  abc_5     2
#  etc...

选项可能是：

tidyverse

使用索引，

ids_lst <- map2(start_ix, end_ix, seq)

df %>%
 mutate(grp = map_int(row_number(), 
                      function(rowid) match(TRUE, map2_lgl(rowid, ids_lst, function(rowid, ids) rowid %in% ids), nomatch = NA)))

   X      Y grp
1  A  abc_1  NA
2  B  abc_2   1
3  C  abc_3   1
4  D  abc_4   1
5  E  abc_5   2
6  F  abc_6   2
7  G  abc_7   2
8  H  abc_8   3
9  I  abc_9   3
10 J abc_10   4
11 K abc_11   4
12 L abc_12   4
13 M abc_13   4
14 N abc_14  NA
15 O abc_15   5
16 P abc_16   5
17 Q abc_17   5
18 R abc_18   6
19 S abc_19   6
20 T abc_20  NA

和

Answer 4

：

：

rbind

从@gki添加基准：

df$grp <- rbind(NA, 1:nrow(df))[
  findInterval(
    1:nrow(df),
    c(
      rbind(
        start_ix,
        end_ix + 0.1
      )
    )
  ) + 1L
]

Answer 5