R语言：按国家分组统计指定年份前的出现次数并生成新列

需求说明 #

现有两个R语言DataFrame：nobel和nobel2，均包含country（国家）和year（年份）列。需要给nobel2新增nobel_nr列，该列值为nobel中对应国家在nobel2该行年份（含）之前的出现次数。

示例数据 #

nobel <- data.frame("country" = c("Japan", "USA", "Romania", "Russia", "USA", "USA"), 
                    "year" = c(2008, 1934, 2014, 1904, 2021, 1977))
nobel2 <- data.frame("country" = c("Japan", "USA", "Romania", "USA", "USA", "Angola"), 
                     "year" = c(2008, 2008, 2008, 2020, 2021, 2023))

原代码问题分析 #

你写的代码存在三个问题：

• 管道符不完整：%>应该是%>%
• 变量名冲突：filter中未区分nobel和nobel2的列，导致country == country永远为真，统计的是整个nobel的行数
• 统计方式错误：count()返回的是带n列的DataFrame，直接as.numeric()无法得到正确的次数值

可行实现方法 #

方法1：逐行处理（适合小数据集） #

用rowwise()让mutate逐行遍历nobel2，通过.data指代当前行的列，避免变量冲突，最后用nrow()统计符合条件的行数：

library(dplyr)

nobel2 <- nobel2 %>%
  rowwise() %>%
  mutate(nobel_nr = nobel %>%
           filter(country == .data$country, year <= .data$year) %>%
           nrow()) %>%
  ungroup()

运行后nobel2的结果：

方法2：非等值连接（适合大数据集） #

先预处理nobel生成各国家的累计获奖次数，再通过非等值连接匹配nobel2的行，效率更高：

library(dplyr)

# 预处理nobel，计算每个国家按年份排序后的累计获奖数
nobel_cum <- nobel %>%
  arrange(country, year) %>%
  group_by(country) %>%
  mutate(cum_count = row_number()) %>%
  ungroup()

# 非等值连接，匹配同国家且nobel年份<=nobel2年份的记录，取最大累计数
nobel2 <- nobel2 %>%
  left_join(nobel_cum, by = join_by(country == country, year >= year), multiple = "all") %>%
  group_by(country, year.x) %>%
  summarise(nobel_nr = ifelse(is.na(max(cum_count)), 0, max(cum_count)), .groups = "drop") %>%
  rename(year = year.x)

内容的提问来源于stack exchange，提问作者anpami