嘿，刚好你用的是tibble和管道操作，这用tidyverse工具链处理起来非常顺手！我分两部分给你讲：先讲通用的每N行取平均压缩思路，再针对你的风数据场景给出完整可运行的代码。

一、通用的每N行取平均数据压缩方法 #

核心思路就是给数据按每N行分组，然后对需要聚合的列计算平均值，步骤很清晰：

• 给数据添加一个分组标识列，把每N行归为一组；
• 按这个分组列聚合，对需要压缩的数值列取平均，保留你需要的非数值标识列（比如你的Date）。

生成分组标识最方便的是用gl()函数，它可以快速生成重复的分组标签，比如总共有M行，每N行一组，分组数就是M %/% N + 1（如果M不能被N整除，最后一组会是剩下的行数）。

二、针对你的风数据场景的具体实现 #

你的需求很明确：8640行数据（刚好是30的288倍），保留Date，每30行的风速、风向取平均，Time显示成时间范围。下面是完整的代码，我会一步步解释：

首先假设你的原始数据是名为wind_data的tibble，先加载需要的包：

library(tidyverse)
library(lubridate) # 用于处理时间格式，比基础包更方便

然后执行压缩处理：

compressed_wind <- wind_data %>%
  # 第一步：把Time字符串转换成可操作的时间类型，方便后续取首尾时间
  mutate(Time_parsed = parse_time(Time)) %>%
  # 第二步：生成每30行一组的分组标识
  # gl(组数, 每组行数, 总数据行数)，这里n()是当前数据的总行数
  mutate(group_id = gl(n() %/% 30 + 1, 30, n())) %>%
  # 第三步：按分组聚合处理
  group_by(group_id) %>%
  summarise(
    # 保留每组的Date（假设同组内Date一致，取第一个即可）
    Date = first(Date),
    # 拼接时间范围：把每组的第一个和最后一个时间转成字符串后用" - "连接
    Time = paste(
      format(first(Time_parsed), "%H:%M:%S"),
      format(last(Time_parsed), "%H:%M:%S"),
      sep = " - "
    ),
    # 计算风速平均值，加上na.rm=TRUE处理可能的缺失值
    Wind.Speed_avg = mean(Wind.Speed, na.rm = TRUE),
    # 计算风向平均值，同样处理缺失值
    wind.direction_avg = mean(wind.direction, na.rm = TRUE)
  ) %>%
  # 最后去掉分组标识列，整理成你需要的格式
  select(-group_id)

关键细节解释： #

• 时间格式处理：用parse_time()把Time列的字符串转成时间对象，这样能准确获取每组的首尾时间，再用format()转成你需要的HH:MM:SS格式，确保时间范围显示正确；
• 分组逻辑：gl(n() %/% 30 + 1, 30, n())会自动帮你把8640行分成288组，每组30行，完美匹配你的数据；
• 缺失值处理：na.rm=TRUE是个好习惯，如果你的原始数据里有缺失的风速/风向值，不会导致平均值计算出错；
• 风向的小提醒：如果你的风向是环形角度数据（比如0°和360°是同一个方向），简单取平均可能会有偏差（比如270°和90°的平均是180°，但实际应该是0°/360°）。如果需要更准确的环形平均，可以用circular包的mean.circular()函数，不过如果每组风向波动不大，简单平均完全够用。

运行完代码后，compressed_wind就是你需要的压缩后的数据啦！

内容的提问来源于stack exchange，提问作者user572780