如何在R中为按动物分组、单日期多测量值的数据集计算3天中心滚动平均值

需求说明 #

现有奶牛甲烷测量数据集，结构如下：

• ID：奶牛标识符（整数类型）
• measure_date：测量日期（Date类型）
• ch4：甲烷测量值（数值类型）

需实现：

• 按奶牛ID分组，补全每个ID的所有连续日期（含无测量值的日期）
• 计算3天中心滚动平均值：以目标日期为中心，包含前一天、当天、后一天的所有测量值的算术平均
• 支持单日期多测量值的场景，且需高效处理大规模数据集

示例数据集 #

# 单个ID的示例数据（修正拼写错误并规范格式）
df <- data.frame(
  ID = rep(1, 8),
  measure_date = as.Date(c("2023-01-01", "2023-01-01", "2023-01-01", "2023-01-01", 
                          "2023-01-02", "2023-01-03", "2023-01-03", "2023-01-05")),
  ch4 = c(200, 250, 233, 256, 270, 256, 290, 299)
)

高效解决方案 #

方案1：使用tidyverse生态（易读性优先） #

依赖dplyr、tidyr处理数据补全，slider包实现高效时间窗口计算：

library(dplyr)
library(tidyr)
library(slider)

result_tidy <- df %>%
  group_by(ID) %>%
  # 生成当前ID的完整日期序列（从最早到最晚测量日）
  complete(measure_date = seq(min(measure_date), max(measure_date), by = "day")) %>%
  # 计算3天中心滚动平均：窗口覆盖前1天、当天、后1天的所有ch4值
  mutate(
    ch4_3d_avg = slide_index_dbl(
      .x = ch4,
      .i = measure_date,
      .f = ~mean(.x, na.rm = TRUE),
      .before = 1,
      .after = 1
    )
  ) %>%
  ungroup()

方案2：使用data.table（性能优先，适合超大规模数据） #

利用data.table的非等连接特性，实现高速窗口计算：

library(data.table)

# 转换为data.table格式
setDT(df)

# 生成每个ID的完整日期序列
full_dates <- df[, .(measure_date = seq(min(measure_date), max(measure_date), by = "day")), by = ID]

# 左连接原数据，保留所有日期
result_dt <- full_dates[df, on = .(ID, measure_date), allow.cartesian = TRUE]

# 通过非等连接计算3天窗口内的平均值
result_dt[, ch4_3d_avg := {
  # 匹配当前ID下，日期在[当前日-1, 当前日+1]范围内的所有ch4值求平均
  df[.SD, on = .(ID, measure_date >= measure_date - 1, measure_date <= measure_date + 1), 
     mean(ch4, na.rm = TRUE), by = .EACHI]$V1
}, by = .(ID, measure_date)]

结果说明 #

• 补全后的数据集包含每个奶牛的所有连续日期，无测量值的日期ch4列显示为NA
• ch4_3d_avg列对应日期的3天窗口平均值：
  • 如2023-01-01的平均值为(200+250+233+256+270)/5 = 241.8
  • 2023-01-05的平均值为299（仅当天有测量值）

内容的提问来源于stack exchange，提问作者Methane123