使用dplyr分组计算前序行求和时遇错误，求正确实现方式

我在用dplyr对分组内的前序行求和时出现错误，但把逻辑搬到dplyr外面却能正常运行，想知道问题出在哪。

我有一个包含字符串起止位置的数据框，nchar是匹配模式的长度。需要为每行计算它在原始文本中的位置（模式前一位），计算逻辑是：当前行start值减1，再减去之前所有行的nchar值之和。比如第一行是4-1=3，第二行21-1-11=9，第三行50-1-(11+10)=28。

我写的dplyr代码如下：

library(dplyr)
df <- data.frame(
  id=1,
  start=c(4, 21, 50),
  end=c(14, 30, 60),
  nchar=c(11,10,11)
) 
df %>% 
  group_by(id) %>% 
  mutate(pos=start[row_number()] -
           (1 + sum(nchar[0:(row_number() - 1)])))

运行后得到的结果和警告：

# A tibble: 3 x 5
# Groups:   id [1]
     id start   end nchar   pos
  <dbl> <dbl> <dbl> <dbl> <dbl>
1     1     4    14    11     3
2     1    21    30    10    20
3     1    50    60    11    49
Warning message:
There was 1 warning in `mutate()`.
i In argument: `pos = start[row_number()] - (1 + sum(nchar[0:(row_number() - 1)]))`.
i In group 1: `id = 1`.
Caused by warning in `0:(row_number() - 1)`:
! numerical expression has 3 elements: only the first used 

而用下面的代码能得到正确的pos列：

sapply(1:3, function(i) df$start[i] - (1 + sum(df$nchar[0:(i - 1)])))

请问怎么修改dplyr代码得到正确结果？

你的dplyr代码出错的核心原因是：

• sum()是向量化聚合函数，它会直接对整个分组的nchar子集求和，而非逐行计算前序行的累加和；
• row_number()返回的是整个分组的行号向量（此处为c(1,2,3)），导致0:(row_number()-1)生成的是多个范围的混合，R只会取第一个元素的范围，后续行的前序求和逻辑直接失效。

而sapply()是逐行迭代处理每个i，每次仅计算当前行之前的nchar和，这和dplyr中mutate的向量化执行逻辑完全不同。

方案1：用cumsum()计算累加和（推荐，高效简洁） #

利用cumsum()计算前序行的累加和，通过lag()排除当前行的数值：

df %>% 
  group_by(id) %>% 
  mutate(
    # 第一行前序和为0，后续行取到上一行的累加和
    prev_nchar_sum = lag(cumsum(nchar), default = 0),
    pos = start - 1 - prev_nchar_sum
  ) %>% 
  ungroup() # 根据需求可选是否取消分组

运行结果：

# A tibble: 3 x 6
     id start   end nchar prev_nchar_sum   pos
  <dbl> <dbl> <dbl> <dbl>          <dbl> <dbl>
1     1     4    14    11              0     3
2     1    21    30    10             11     9
3     1    50    60    11             21    28

方案2：用rowwise()逐行处理（适合复杂逻辑） #

如果你的计算逻辑更复杂，cumsum无法满足，可以用rowwise()让mutate逐行执行，和sapply逻辑一致：

df %>% 
  group_by(id) %>% 
  rowwise() %>% 
  mutate(
    pos = start - 1 - sum(nchar[0:(row_number()-1)])
  ) %>% 
  ungroup()

注意：这个方法效率低于cumsum，更适合小数据集或复杂逐行计算场景。

内容的提问来源于stack exchange，提问作者drmariod