在R中当分组重复时如何按组计算累积和？

我有一个面板数据的dataframe，包含id和时间字段，想要为每个id和年份计算跨年度的累积和，但id与年份的分组存在重复行的情况。

示例数据 #

df <- data.frame(id = rep(12345,15),
                 year = c(rep(2021,5), rep(2022,5), rep(2023,5)), 
                 value = c(rep(5,5), rep(3,5), rep(4,5)))

df

输出：

id year value
1  12345 2021     5
2  12345 2021     5
3  12345 2021     5
4  12345 2021     5
5  12345 2021     5
6  12345 2022     3
7  12345 2022     3
8  12345 2022     3
9  12345 2022     3
10 12345 2022     3
11 12345 2023     4
12 12345 2023     4
13 12345 2023     4
14 12345 2023     4
15 12345 2023     4

当前问题 #

我原本用以下代码计算，但结果是每个年份内的行内累积，不符合跨年度累积的需求：

df %>% 
  group_by(id, year) %>% 
  mutate(value_cumsum = cumsum(value))

输出结果：

# A tibble: 15 × 4
# Groups:   id, year [3]
      id  year value value_cumsum
   <dbl> <dbl> <dbl>        <dbl>
 1 12345  2021     5            5
 2 12345  2021     5           10
 3 12345  2021     5           15
 4 12345  2021     5           20
 5 12345  2021     5           25
 6 12345  2022     3            3
 7 12345  2022     3            6
 8 12345  2022     3            9
 9 12345  2022     3           12
10 12345  2022     3           15
11 12345  2023     4            4
12 12345  2023     4            8
13 12345  2023     4           12
14 12345  2023     4           16
15 12345  2023     4           20

我需要的value_cumsum列结果是：5, 5, 5, 5, 5, 8, 8, 8, 8, 8, 12, 12, 12, 12, 12，即每个年份内的所有行都显示该年份及之前年份的总累积值。

解决方案 #

方法1：分步处理（清晰易懂） #

先计算每个id+year分组的总价值，再按年份顺序计算跨年度累积和，最后匹配回原数据：

library(dplyr)

df_result <- df %>%
  # 计算每个id+year的总value
  group_by(id, year) %>%
  summarise(year_total = sum(value), .groups = "drop") %>%
  # 按id分组，按年份排序后计算累积和
  group_by(id) %>%
  arrange(year) %>%
  mutate(cum_total = cumsum(year_total)) %>%
  # 将累积和匹配回原数据
  right_join(df, by = c("id", "year")) %>%
  # 重命名为目标列名
  rename(value_cumsum = cum_total) %>%
  # 保留原数据列顺序
  select(id, year, value, value_cumsum)

df_result

输出：

id year value value_cumsum
1  12345 2021     5            5
2  12345 2021     5            5
3  12345 2021     5            5
4  12345 2021     5            5
5  12345 2021     5            5
6  12345 2022     3            8
7  12345 2022     3            8
8  12345 2022     3            8
9  12345 2022     3            8
10 12345 2022     3            8
11 12345 2023     4           12
12 12345 2023     4           12
13 12345 2023     4           12
14 12345 2023     4           12
15 12345 2023     4           12

方法2：简洁链式写法 #

利用first()提取每个年份分组的总价值，再计算累积：

df_result <- df %>%
  group_by(id, year) %>%
  mutate(year_total = sum(value)) %>%
  group_by(id) %>%
  arrange(year) %>%
  mutate(value_cumsum = cumsum(first(year_total))) %>%
  ungroup() %>%
  select(-year_total)

df_result

内容的提问来源于stack exchange，提问作者Marco