分组数据中使用rle函数时忽略NA实现滚动计数

数据集构建 #

先还原你的数据集：

id <- c(1,1,1,1,1,1,1,1,2,2,2,2,2,2,2,2)
value <- c("x","x","y",NA,NA,"x",NA,"y",
           "y","y",NA,"x","x",NA,"x","x")
df <- data.frame(id, value)

解决方案 #

以下提供两种实现预期输出的方法：

方法一：使用zoo包辅助处理（逻辑直观）

library(dplyr)
library(zoo)

df %>%
  group_by(id) %>%
  mutate(
    # 用前一个非NA值填充当前NA位置，消除NA对value变化判断的干扰
    prev_valid = na.locf(value, na.rm = FALSE),
    # 标记非NA行是否发生value变化（第一行非NA默认标记为变化）
    is_new_group = ifelse(is.na(value), NA, 
                          value != lag(prev_valid, default = value[!is.na(value)][1])),
    # 累积变化标记得到计数，再将NA行的计数置为NA
    rolling_count = cumsum(ifelse(is_new_group, 1, 0), na.rm = TRUE),
    rolling_count = ifelse(is.na(value), NA, rolling_count)
  ) %>%
  select(-prev_valid, -is_new_group)

逻辑说明：

• na.locf函数将NA替换为最近的前一个非NA值，让我们可以直接比较当前有效value和上一个有效value的差异
• is_new_group仅在非NA且value发生变化时标记为TRUE，确定计数需要递增的位置
• 最后通过cumsum累积计数，并将原value为NA的行的计数重置为NA

方法二：纯dplyr实现（无需额外依赖）

library(dplyr)

df %>%
  group_by(id) %>%
  mutate(
    # 为连续相同的非NA value分配组号，每次value变化（非NA）时组号递增
    group_id = cumsum(!is.na(value) & (is.na(lag(value)) | value != lag(value))),
    # 将组号映射为从1开始的连续计数，NA行的计数置为NA
    rolling_count = ifelse(is.na(value), NA, match(group_id, unique(na.omit(group_id))))
  ) %>%
  select(-group_id)

逻辑说明：

• group_id给每个连续的非NA相同value块分配唯一组号，NA会继承前一个组号但后续处理会忽略
• match将非连续的组号重新映射为连续的1、2、3...计数，同时将NA行的计数设为NA

原方法问题说明 #

你之前使用rle()的方法会将NA视为独立分组，每段NA都会增加计数，但我们需要完全跳过NA的干扰，只追踪非NA值的变化，因此需要先过滤NA的影响再进行计数。

内容的提问来源于stack exchange，提问作者Frewtea