dplyr table reconstructing/data 争吵

Question

我正在尝试创建一个变量来定义真与假搜索。原始数据集位于此处：https://github.com/wikimedia-research/Discovery-Hiring-Analyst-2016/blob/master/events_log.csv.gz

基本情况是，有一些变量定义了用户（由原始数据集中的 ID - session_id 或 uuid 定义）执行真搜索与假搜索的次数，例如访问总是在搜索之前进行，但搜索之后不一定要进行访问。如果您检查原始数据集，还有一个时间变量 timestamp，我不知道如何复制它，但我相信它会很有用。

原始结构的粗略版本：

ID  Action   Time
a   search    1
a   visit     2
a   search    3
a   visit     4
b   visit     2
b   visit     3
b   search    1
c   search    5
c   search    6
c   search    7
c   visit     8
d   search    3
d   search    4

我正在尝试创建一个变量来定义真与假搜索。以上数据预计按Action = search only排序，例如以下格式：

我要生成的结构：

ID  Action ClickThrough
a   search    T
a   search    T
b   search    T
c   search    F
c   search    F
c   search    T
d   search    F
d   search    F

Answer 1

这会使用 dplyr

产生预期的输出

library(dplyr)
df1 %>%
  arrange(ID,Time) %>%
  group_by(ID) %>%
  mutate(ClickThrough = c(as.logical(diff(Action=="visit")),FALSE)) %>%
  filter(Action=="search")

# # A tibble: 8 x 4
# # Groups:   ID [4]
#      ID Action  Time ClickThrough
#   <chr>  <chr> <int>        <lgl>
# 1     a search     1         TRUE
# 2     a search     3         TRUE
# 3     b search     1         TRUE
# 4     c search     5        FALSE
# 5     c search     6        FALSE
# 6     c search     7         TRUE
# 7     d search     3        FALSE
# 8     d search     4        FALSE

dplyr table reconstructing/data 争吵

dplyr table reconstructing/data wrangling

r

dplyr

tidyr

data-cleaning