基于中点假设逐年累加技能字符串的R语言实现方案

我有一份人员-技能及对应技能使用年份的数据集，希望基于「技能获取于两次使用的中点」这一假设，填充年份区间内的技能信息。对base R、tidyverse或data.table工具无偏好。

现有数据集：

have <- data.frame(
  person = c("A","A","B","B","C","C"),
  skill = c("S1","S2", "S1,S2","S3","S1,S3","S1,S2" ),
  year = c(2015,2018,2016,2018,2016,2018)
)

期望得到的数据集：

want <- data.frame(
  person = c("A","A","A","A","B","B","B","C","C","C"),
  skill = c("S1","S1","S1,S2","S1,S2","S1,S2","S1,S2,S3","S1,S2,S3","S1,S3","S1,S2,S3","S1,S2,S3"),
  year = c(2015,2016,2017,2018,2016,2017,2018,2016,2017,2018)
)

我尝试过用fill(.direction = "down")，但不知道如何反向填充技能，也不清楚怎么对已拥有的技能去重。

核心思路是先拆分技能为单个条目，确定每个技能的生效起始年份，再按年份聚合所有生效技能，最后合并成字符串：

library(tidyverse)

result <- have %>%
  # 1. 把逗号分隔的技能拆成单独行
  separate_rows(skill, sep = ",") %>%
  # 2. 按人员分组，为每个技能计算生效起始年份（两次记录的中点向上取整）
  group_by(person, skill) %>%
  mutate(
    start_year = ifelse(n() > 1, ceiling((year + lead(year))/2), year)
  ) %>%
  ungroup() %>%
  # 3. 按人员生成所有需要的连续年份序列
  group_by(person) %>%
  reframe(
    year = seq(min(year), max(year), by = 1),
    skill = skill,
    start_year = start_year
  ) %>%
  # 4. 筛选出当前年份已生效的技能
  filter(year >= start_year) %>%
  # 5. 按人员和年份聚合技能，去重后用逗号连接
  group_by(person, year) %>%
  summarise(skill = str_c(sort(unique(skill)), collapse = ","), .groups = "drop")

# 查看结果
print(result)

关键步骤说明 #

• 拆分技能：separate_rows将多技能条目拆分为单技能行，便于逐个处理技能的生效时间。
• 计算起始年：对有两次记录的技能，取两次年份的中点向上取整作为技能获取时间；仅一次记录的技能，从记录年份开始生效。
• 生成完整年份：为每个人生成从最早到最晚记录年份的所有连续年份，确保无遗漏。
• 筛选生效技能：保留当前年份大于等于技能起始年的条目，符合「中点获取技能」的假设。
• 聚合去重：按人员和年份分组，对技能去重、排序后合并为逗号分隔的字符串，与期望结果完全匹配。

内容的提问来源于stack exchange，提问作者Torin McFarland