计算csv中的聚类值
我有一个csv文件，其中的行包含一个名称，后面跟着一系列的空值和聚集的实值。
Robert,,,1:00-5:00,1:00-5:00,1:00-5:00,,,,,,2:00-4:00,2:00-4:00,2:00-4:00
John,,,1:00-5:00,1:00-5:00,,,,,,,,,,,,
Casey,,,1:00-5:00,1:00-5:00,1:00-5:00,,,,,,2:00-4:00,2:00-4:00,,,
Sarah,,,1:00-5:00,,,,,,,,2:00-4:00,2:00-4:00,2:00-4:00,,我想用R写一个脚本来计算星系团。如果行中有三个真正的顺序值，那么我想将它们算为“一个”集群。如果有一个小于3的集群(即一个或两个顺序值)，那么我想将其计算为“一个”单独的集群。
csv格式的期望输出：
Robert,2,0
John,0,1
Casey,1,1
Sarah,1,1来自评论的编辑
代码导入的csv确实有一个标题，但是我希望代码忽略标题并从第一行(即Robert，,1:00-5:00，.)读取。我还想忽略导入csv文件的最后一列，该列包含每个人工作的总时数。下面是一个带有指向csv：report.csv示例链接的github
Employee,"Mar 23, 2015","Mar 24, 2015","Mar 25, 2015","Mar 26, 2015","Mar 27, 2015","Mar 28, 2015","Mar 29, 2015",total hours
"John Smith",16:35 - 21:17 / 4.7,16:35 - 21:17 / 4.7,16:35 - 21:17 / 4.7,,,,11:17 - 16:08 / 4.85,18.9569
"Emily Smith",,,,,,08:13 - 12:40 / 4.45,,4.4472222222222
"Robert Jenkins",16:54 - 21:11 / 4.29,16:54 - 21:11 / 4.29,,,16:22 - 22:59 / 6.61,,,15.18638
"Rachel Lipscomb",,,,,,13:18 - 19:04 / 5.76,,5.7638888888889
"Donald Driver",,,,,08:13 - 13:05 / 4.86,08:13 - 13:05 / 4.86,10:02 - 16:02 / 6,15.14694回答 1
Stack Overflow用户
发布于 2019-06-04 17:15:41
下面是一个解决这个老问题的可能的data.table解决方案，它使用
fread()用于读取输入文件，melt()/dcast()用于整形，- 和
rleid()函数来识别缺口和岛屿。
对于问题中发布的数据集，以下代码
library(data.table)
library(magrittr)
fread("input.csv", header = FALSE, na.strings = c(""), fill = TRUE) %>%
.[, V1 := forcats::fct_inorder(V1)] %>% # to keep the original order in dcast() below
melt(id.var = "V1") %>%
setorder(V1, variable) %>%
.[, cluster.id := rleid(V1, is.na(value))] %>%
.[!is.na(value), .N, by = .(V1, cluster.id)] %>%
dcast(V1 ~ N < 3, length, value.var = "N") %>%
fwrite("output.csv", col.names = FALSE)根据请求创建csv文件：
罗伯特，2，0约翰，0，1凯西，1，1莎拉，1，1
在评论中，OP提供了一个指向github上的另一个示例数据集的链接。
稍作修改，
fread("https://raw.githubusercontent.com/agrobins/r_IslandCount/test_files/timeclock_report.csv"
, drop = "total hours", na.strings = c("")) %>%
.[, Employee := forcats::fct_inorder(Employee)] %>% # to keep the original order in dcast() below
melt(id.var = "Employee") %>%
setorder(Employee, variable) %>%
.[, cluster.id := rleid(Employee, is.na(value))] %>%
.[!is.na(value), .N, .(Employee, cluster.id)] %>%
dcast(Employee ~ N < 3, length, value.var = "N")我们会得到
Employee FALSE TRUE 1: John Smith 1 1 2: Emily Smith 0 1 3: Robert Jenkins 0 2 4: Rachel Lipscomb 0 1 5: Donald Driver 1 0
名为FALSE的第一个数值列包含由三个或更多个连续条目组成的群集数，而第二个名为TRUE的数字列包含由一个或两个连续条目组成的群集数。
可复制数据
由于指向外部网站的链接是脆弱的，下面是从
雇员：“2015年3月23日”、“2015年3月24日”、“2015年3月25日”、“2015年3月26日”、“2015年3月27日”、“2015年3月28日”、“2015年3月29日”、“约翰·史密斯”、16:35-21:17/ 4.7、16:35-21:17/4.7、08:13-12:40/ 4.45，4.4472222222222“罗伯特·詹金斯”，16:54- 21:11 / 4.29,16:54 - 21:11 / 4.29，16:22-22:59/ 6.61，，,15.18638“雷切尔·利普科姆”，、，、13:18- 19:04 / 5.76，5.7638888888889“唐纳德司机”，08:13-13:05/4.86，08:13-13:05/ 4.86,10:02 - 16:02 / 6,15.14694
https://stackoverflow.com/questions/29405159
复制相似问题
腾讯云开发者
