基于日期排序从长表提取市镇编码初始与最终值（tidyverse实现）

我正在处理法国INSEE的v_mvt_commune_2024.csv文件，该文件记录了1943年以来法国市镇的行政变更事件。我关注DATE_EFF（生效日期）、COM_AV（变更前市镇编码）和COM_AP（变更后市镇编码）变量，已通过以下代码筛选出编码发生变更的行：

data <- 
  readr::read_csv("v_mvt_commune_2024.csv") |>
  dplyr::select(DATE_EFF, COM_AV, COM_AP) |>
  dplyr::filter(COM_AV != COM_AP)

部分数据显示，部分市镇编码会经历多次变更（例如64031先变为64113，后又变回64031）。我需要生成一张映射表，其中COM_AV为初始编码，COM_AP为该编码经过所有变更后的最终值。请问如何用tidyverse高效实现这一需求？

高效实现方案 #

处理这类链式编码变更，最高效的思路是将变更关系建模为有向图：每个市镇编码是图的节点，每条变更记录是从COM_AV指向COM_AP的有向边，最终找到每个节点对应的终端节点（无后续变更的编码）。结合tidyverse生态，推荐使用tidygraph包处理图结构，具体步骤如下：

1. 加载依赖包 #

library(tidyverse)
library(tidygraph)

2. 预处理数据并构建有向图 #

首先按生效日期排序，确保变更顺序符合时间逻辑（最新变更优先），再将数据转为有向图结构：

# 按生效日期排序，保证变更时序正确
sorted_changes <- data |>
  arrange(DATE_EFF)

# 将变更记录转为有向图：COM_AV → COM_AP 为一条边
commune_graph <- sorted_changes |>
  as_tbl_graph(directed = TRUE)

3. 计算初始编码到最终编码的映射 #

通过图分析找到每个节点的终端节点（无出边的节点，即不再发生变更的编码）：

final_mapping <- commune_graph |>
  activate(nodes) |>
  mutate(
    final_code = map_chr(node_is_sink(), function(is_sink) {
      # 终端节点的最终编码就是自身
      if (is_sink) {
        name
      } else {
        # 广度优先搜索找到该节点最终指向的终端节点
        node |>
          bfs(mode = "out", unreachable = FALSE) |>
          filter(node_is_sink()) |>
          pull(name) |>
          first()
      }
    })
  ) |>
  as_tibble() |>
  rename(COM_AV = name, COM_AP = final_code)

4. 补充未变更的编码（可选） #

如果需要包含从未发生变更的市镇编码，可以从原始数据中提取所有唯一编码，补充到映射表中：

# 提取所有出现过的市镇编码
all_codes <- data |>
  pivot_longer(cols = c(COM_AV, COM_AP), values_to = "code") |>
  distinct(code)

# 合并映射表，未变更的编码最终值为自身
full_mapping <- all_codes |>
  left_join(final_mapping, by = c("code" = "COM_AV")) |>
  mutate(COM_AP = coalesce(COM_AP, code)) |>
  rename(COM_AV = code)

方案说明 #

• 按DATE_EFF排序确保变更时序正确，避免旧变更覆盖新变更的逻辑错误。
• 图结构能高效处理链式、循环变更（如64031→64113→64031的情况，最终终端节点为64031）。
• 广度优先搜索（BFS）保证在大规模数据下的查询效率，比递归遍历更稳定。

内容的提问来源于stack exchange，提问作者pure_func