R语言按组移除B-AL二次出现及AL-X后续行的实现咨询

针对你的大型数据集处理需求，用dplyr可以高效完成分组过滤和统计，以下是具体实现：

1. 加载依赖包 #

library(dplyr)

2. 按条件过滤数据集 #

processed_data <- your_data %>%
  group_by(ID) %>%
  mutate(
    # 标记当前ID中第一个"AL-X"的行号，无则设为无穷大
    al_x_pos = ifelse(any(status == "AL-X"), which(status == "AL-X")[1], Inf),
    # 标记当前ID中第二个"B-AL"的行号，不足两次则设为无穷大
    b_al_2nd_pos = ifelse(sum(status == "B-AL") >= 2, which(status == "B-AL")[2], Inf),
    # 计算截止行号：取"AL-X"行（含）和"B-AL"第二次出现前一行的最小值
    cutoff = min(al_x_pos, b_al_2nd_pos - 1, na.rm = TRUE)
  ) %>%
  # 保留截止行号之前的所有行
  filter(row_number() <= cutoff) %>%
  # 清理辅助列
  select(-al_x_pos, -b_al_2nd_pos, -cutoff) %>%
  ungroup()

3. 计算平均工资 #

如果需要按状态+ID分组计算平均工资：

avg_salary <- processed_data %>%
  group_by(status, ID) %>%
  summarise(avg_salary = mean(salary, na.rm = TRUE), .groups = "drop")

如果只需按状态计算整体平均：

avg_salary <- processed_data %>%
  group_by(status) %>%
  summarise(avg_salary = mean(salary, na.rm = TRUE), .groups = "drop")

关键说明 #

• 你的cumsum()思路是可行的，但直接用which()定位触发位置更直观，且dplyr的向量化分组操作对大型数据集更高效，避免循环开销
• 两个条件取最早触发的截止点：如果某个ID先出现"AL-X"，则保留到该行；如果"B-AL"第二次出现更早，则停在第二次出现的前一行
• na.rm = TRUE用于处理无对应状态的ID，避免计算时出现报错

内容的提问来源于stack exchange，提问作者rstarter