我有一个R数据框架（250,000行），有些数据看起来是这样的。
df = data.frame(X = c(1000.005, 1000.7, 1200, 1566, 1766.55, 1767.30, 33.45, 33.25, 400.67, 400.77), Y = c(38.6, 38.4, 32.0, 32.01, 39.99, 39.20, 12.21, 12.11, 33.81, 33.91), Angle = c(50, 36, 27, 77, 26, 34, 29, 14, 37, 55))
所以我的目标是根据X和Y值的近似值对数据进行分组，差值不超过1. 对于上图所示的数据集，分组安排是这样的:
data.frame(X = c(1000.005, 1000.7, 1200, 1566, 1766.55, 1767.30, 33.45, 33.25, 400.67, 400.77), Y = c(38.6, 38.4, 32.0, 32.01, 39.99, 39.20, 12.21, 12.11, 33.81, 33.91), Angle = c(50, 36, 27, 77, 26, 34, 29, 14, 37, 55), group = c(1,1, 2, 3, 4,4, 5, 5, 6, 6))
在R中是否有一个函数可以通过设置行的差值来进行分组（在我的例子中，差值将是1）？
这个问题有点混乱，即使有你的意见，我也会分享一些可能的解决方案。
即使你确定每个观测值都有一个对应的观测值是 "最接近 "的，你如何定义距离？标准的欧氏距离？但如果每对观测值真的有'重复'，那为什么不直接看最接近的数值，比如说，X值，如果两个之间莫名其妙的出现了平局，那就看Y值？还是反过来？如果真的有唯一的观测值对，任何方法都应该得到同样的答案。所以只要选一个最简单的，然后建立一个距离矩阵，然后选取每个距离的最小值，如果对于第j个观测值，第i个观测值的距离最小，那么你就知道这些形成了一对。如果你想同时使用(X,Y)，就用标准的欧几里得距离。
接下来是数据集大小的问题。250,000是相当大的，所以使用 dist 可能是行不通的。老实说，鉴于上述情况，我建议你写一个for循环，其中对于第i个观测值，如果第j个观测值是最接近的，那么你就为它们组成一个对，并更新你正在搜索的数据集来删除它们。它不会很好看，但应该运行得相当快。如果你在这方面遇到困难，请告诉我们。
最后，正如评论中所指出的，标准的方法可能是使用一些聚类方法。也许让聚类大小等于数据集大小的一半？你甚至可以做一个分步聚类的方法，在每一步都指定一半的数据集大小，查看组内，取最小的对子，然后得到一个更新的数据集，你再次聚类，重复直到你得到唯一的对子。
25万行，这两种方法其实应该问题不大。
我觉得你的数据大小使用分组在计算上还是很容易的。下面是一个略显凌乱的 data.table 的方法。
library(data.table)
setDT(df)
group <- df[,ID := 1:.N][
,df[abs(X - .SD[,X]) < 1 & abs(Y - .SD[,Y]) < 1,.(ID2 = ID)],by = ID,.SDcols = c("X","Y")][
,.(df[ID,],df[ID2,])][
,Distance := sqrt((X-X.1)^2+(Y-Y.1)^2)][
Distance <= 1,][
!duplicated(ID.1),rleid(ID)]
df[,`:=`(Group = group, ID = NULL)]
df
# X Y Angle Group
# 1: 1000.005 38.60 50 1
# 2: 1000.700 38.40 36 1
# 3: 1200.000 32.00 27 2
# 4: 1566.000 32.01 77 3
# 5: 1766.550 39.99 26 4
# 6: 1767.300 39.20 34 5
# 7: 33.450 12.21 29 6
# 8: 33.250 12.11 14 6
# 9: 400.670 33.81 37 7
#10: 400.770 33.91 55 7
首先，我们对数据集本身的行进行子集，这些行在1以内的行，对两个 X 和 Y. 如果点在任何一个维度上都超过1，那么它们不可能比1更接近。我们用 .SDcols 只对子集 .SD 为我们关心的列。接下来，我们将行绑定在一起。然后，我们用欧氏距离的公式手动计算距离。接下来，我们选择那些在1以内的行。ID 所以我们可以使用上一步的 rleid 与 !duplicated 来进行分组。然后再把它加回原始数据，就可以了。
你会根据这需要多长时间和多少内存来知道它是否会工作。
df[,ID := 1:.N][,df[abs(X - .SD[,X]) < 1 & abs(Y - .SD[,Y]) < 1,.(ID2 = ID)],by = ID,.SDcols = c("X","Y")]
请注意，你的预期输出可能会有误差 因为5点和6点之间的距离是1. 089。
dist(rbind(c(1766.550,39.99),c(1767.300,39.20)))
# 1
#2 1.089312