如何在R中计算像素AGB恢复至扰动前值所需行数

我有一个包含不同像素年度地上生物量（AGB）的data frame，每个像素都受到过扰动。需要确定每个像素的AGB恢复至**扰动前一年数值（大于等于该值）**所需的行数，但不清楚实现方法。

示例数据如下：

pixel.no <- c(1,1,1,1,1,1,1,1,1,1,2,2,2,2,2,2,2,2,2,2)
year <- c(1995,1996,1997,1998,1999,2000,2001,2002,2003,2004,
          1995,1996,1997,1998,1999,2000,2001,2002,2003,2004)
disturbed <- c("No","No","No","Yes","No","No","No","No","No","No",
               "No","No","Yes","No","No","Yes","No","No","No","No")
AGB <- c(200,204,205,150,155,170,190,205,202,207,
         180,181,100,110,150,130,150,160,180,200)

data <- data.frame(pixel.no,year,disturbed,AGB)
print(data)

输出结果：

pixel.no year disturbed AGB
1         1 1995        No 200
2         1 1996        No 204
3         1 1997        No 205
4         1 1998       Yes 150
5         1 1999        No 155
6         1 2000        No 170
7         1 2001        No 190
8         1 2002        No 205
9         1 2003        No 202
10        1 2004        No 207
11        2 1995        No 180
12        2 1996        No 181
13        2 1997       Yes 100
14        2 1998        No 110
15        2 1999        No 150
16        2 2000       Yes 130
17        2 2001        No 150
18        2 2002        No 160
19        2 2003        No 180
20        2 2004        No 200

针对每一个disturbed="Yes"的实例，需要统计AGB恢复至等于或超过扰动前一年数值所需的行数，上述示例的期望结果为[1] 4 2 3。请问在R中处理大型data frame时，有什么高效的自动实现方法？

处理大型数据框时，推荐使用dplyr（tidyverse生态）或data.table，两者都能高效完成分组计算，避免循环带来的性能损耗。

方法一：使用tidyverse（dplyr） #

核心思路是按像素分组，标记扰动事件后，对每个事件找到后续第一个满足恢复条件的行，计算间隔行数。

library(dplyr)

result <- data %>%
  # 按像素分组并按年份排序（确保时序正确）
  group_by(pixel.no) %>%
  arrange(year, .by_group = TRUE) %>%
  # 提取每个扰动行的前一年AGB值
  mutate(pre_disturb_agb = lag(AGB, 1)) %>%
  # 为每个像素内的扰动事件分配ID
  mutate(disturb_id = cumsum(disturbed == "Yes")) %>%
  filter(disturb_id > 0) %>%
  # 按像素+扰动事件分组，定位第一个恢复的行
  group_by(pixel.no, disturb_id) %>%
  mutate(
    recovered = AGB >= first(pre_disturb_agb),
    row_diff = row_number() - 1
  ) %>%
  filter(recovered) %>%
  slice_head(n = 1) %>%
  pull(row_diff)

print(result)
# [1] 4 2 3

方法二：使用data.table（超大型数据首选） #

data.table内存效率更高，语法更简洁，适合处理百万级以上行数据。

library(data.table)

dt <- as.data.table(data)
# 按像素和年份排序，保证时序逻辑正确
setorder(dt, pixel.no, year)

# 计算每个扰动行的前一年AGB值
dt[, pre_disturb_agb := shift(AGB, 1), by = pixel.no]
# 为每个像素内的扰动事件分配ID
dt[, disturb_id := cumsum(disturbed == "Yes"), by = pixel.no]

# 筛选扰动组，提取第一个恢复的行数差
result <- dt[disturb_id > 0, .(
  row_diff = which(AGB >= first(pre_disturb_agb))[1] - 1
), by = .(pixel.no, disturb_id)]$row_diff

print(result)
# [1] 4 2 3

关键说明 #

• 两种方法都要求数据按像素+年份排序，若原始数据未排序必须先执行排序操作，否则计算逻辑会出错。
• 若某个扰动事件后始终未达到恢复条件，结果会返回NA，可根据需求添加replace_na()等逻辑处理。
• 两种方法均采用分组计算，避免了逐行循环，在大型数据上的性能远优于基础R循环。

内容的提问来源于stack exchange，提问作者helen slater