R Tricks: 如何巧为观测标记序号

写

在前面

本期大猫课堂将会开始一个新的系列：你不知道的R Tricks。这个系列将搬运stackoverflow.com（以后简称SO）上关于R数据处理的一些经典问答。大猫除了翻译原文，还会从初学者的角度为代码补充详细的解释。其实这些问题基本上都是大猫自己在数据处理过程中实际遇到的，看了SO上的答案不禁拍案叫绝，忍不住和大家分享。

第一期的主题是：如何巧为观测标记序号？这个问题在事件研究法时经常会遇到，但仅看标题小伙伴们是不是还觉得云里雾里？快点往下看吧！

提

出问题

话说有个小伙伴在StackOverflow上提出了这样一个问题：假设我现在有这样一个数据集：

建立样例数据集的代码：

▶ set.seed(42)

▶ dt <- data.table(group = sample(0:1, 10000, rep = TRUE), n = 0L)

其中，group的取值只能是0和1， 表示一件事情是否发生。你可以把group理解为一个人是否去健身房，如果连续出现1则意味着那几天每天都去，出现0则说明那人偷懒了。现在的问题是，我希望为每个连续的0或者1编号。例如连续出现3个0， 那么n就标记为1、2、3，如果后面接了一个1， 那么就重新从1开始标记。也即最终的结果应该是：

可以看到，group每变动一回，n就重新计数一次。那么这个代码究竟该怎么写呢？其实只需要一行就够啦！

原问题大家可以访问以下链接：http://stackoverflow.com/questions/25415749/creating-a-sequence-in-a-data-table-depending-on-a-column

解

决问题

在解决本问题的过程中我们需要用到data.table包！

”

虽然最终版本的代码只需要一行，但在这里大猫将会把它拆解为三部分：

首先，我们需要有一个变量能标记出group的变化。也就是当group不变时取0，变化时取1。在R中，求差分的函数diff非常适合完成这个任务。它可以计算当前观测和上一行观测相比变化了多少。我们试着用一下：

▶ dt[, diff := c(0, diff(group))]

结果如下：

看，现在每当group发生变化，diff就非零，但是diff只能在0、-1、1中变动，并不能把每次变化都用1、2、3……的数字给标记出来。那如何能够把每次变化都累加起来呢？这时就需要cumsum累加函数：

▶ dt[, cumsum := cumsum(abs(diff))]

结果如下：

看，diff每变化一次，cumsum就把这种变化累加起来了（注意我们用到了abs绝对值函数）。目前为止，我们已经成功把每次变化都分组并加以标号（见cumsum变量），看起来是不是几乎大功告成了？最后一步，我们只需要在每个by=cumsum组中将观测从1开始标号即可：

▶ dt[, n := seq(.N), by = cumsum]

最终结果为：

注意，我们这里用cumsum的值进行了分组，并且用了seq(.N)这个语句。".N"表示当前by组有多少的观测，而seq(.N)则产生从1至.N的一个整数序列。

例如，对于上面的第一行和第二行观测来说，他们同属于cumsum=0这组。因为这组一共只有两行，所以.N=2，而seq(.N)就产生{1, 2}这样一个整数序列，并最终赋值给n。

如果把上面三步写成一行代码就是这个样子：

▶ dt[, n := seq(.N), by = list(cumsum(c(0, abs(diff(group)))))]

本

期总结

本期大猫带领大家学习了一个为分组观测进行编号的小技巧。还记得在开篇大猫说这个技巧在事件研究法中特别实用吗？因为在事件研法中，我们一般会给事件日标为1，非事件日标为0，对于每个事件之间的一段时间，我们往往希望能够用1开始为其标号，这对于后续统计相当有用。此外，在做一些游程检验的过程中，这个技巧也非常管用。

我是大猫，咱们下期见！