求助：基于font_name与font_size生成group_var分组向量的错误排查

数据集 #

text          font_name           font_size
  <chr>         <chr>                   <dbl>
1 POND_RETRAITE BAAAAA+Arial-BoldMT        12
2 Pondération   BAAAAA+Arial-BoldMT        10
3 transversale  BAAAAA+Arial-BoldMT        10
4 finale        BAAAAA+Arial-BoldMT        10
5 du            BAAAAA+Arial-BoldMT        10
6 ménage        BAAAAA+Arial-BoldMT        10

需求 #

生成长度为nrow(data)的group_var向量，分组规则：

• 首行单独成组
• 后续观测值只要font_name或font_size任一变化，分组编号改变；否则保持同一组

预期输出：

[1] 1 2 2 2 2 2

尝试的代码与错误输出 #

尝试代码：

group_var <- cumsum(c(TRUE, diff(data$font_size != lag(data$font_size, 
             default = data$font_size[1])) != 0 | diff(data$font_name 
             != lag(data$font_name, default = data$font_name[1])) != 0))

错误输出：

print(group_var)
[1] 1 2 3 3 3 3

问题根源 #

代码逻辑冗余且偏离需求：你先判断每行与首行是否不同，再对这个布尔结果做diff运算。第二行到第三行时，font_size保持10不变，“与首行不同”的结果从TRUE变为FALSE，diff返回TRUE，触发cumsum加1，导致分组编号跳到3，完全违背了“与前一行比较”的核心逻辑。

正确解法 #

核心逻辑是逐行与前一行比较，只要font_name或font_size任一变化就开启新分组，首行默认开启第一个分组，最后用cumsum累加布尔值得到分组编号。

基础R写法 #

# 直接比较当前行与前一行的变量
group_var <- cumsum(c(TRUE,
                      data$font_size[-1] != lag(data$font_size)[-1] |
                      data$font_name[-1] != lag(data$font_name)[-1]))

更简洁的基础R写法 #

利用duplicated判断是否与前一行（按指定变量）重复：

group_var <- cumsum(c(TRUE, !duplicated(data[, c("font_name", "font_size")])[-1]))

tidyverse（dplyr）写法 #

如果使用dplyr工具链，代码更直观：

library(dplyr)
data <- data %>%
  mutate(group_var = cumsum(c(TRUE,
                              font_size != lag(font_size) |
                              font_name != lag(font_name))))

运行以上任一代码，均可得到预期的group_var结果：[1] 1 2 2 2 2 2

内容的提问来源于stack exchange，提问作者astrori