R语言中生成值首次出现标记向量及按年月统计新客户的高效方法

嘿，这两个需求其实都有非常高效的实现方式，完全不用写循环——不管是base R还是tidyverse/data.table的工具都能轻松搞定，而且速度快得多！

1. 生成标记首次购买的布尔向量 new_customer #

最简base R方案（推荐，无依赖） #

duplicated()函数就是干这个的！它会返回一个布尔向量，标记当前行的客户是否在之前已经出现过。取反之后，就是我们要的“是否首次购买”标记：

# 假设你的销售数据框名为 sales_df
sales_df$new_customer <- !duplicated(sales_df$cust)

这个方法完全不需要循环，大数据量下的效率比%in%+循环高几个数量级，而且代码极简。

tidyverse/dplyr方案（适合链式操作） #

如果你习惯用tidyverse的工作流，可以把标记逻辑和后续统计连起来写：

library(dplyr)

sales_df <- sales_df %>%
  arrange(date) %>% # 确保数据按购买日期排序（你说已排好的话可省略）
  group_by(cust) %>%
  mutate(new_customer = row_number() == 1) %>% # 每个客户的第一行标记为TRUE
  ungroup()

这个写法的优势是代码逻辑连贯，后续统计可以直接接在这个链后面。

2. 按年月统计绝对新客户数量 #

首先需要把购买年份和购买月份合并成一个可分组的字段，然后统计每个分组里new_customer为TRUE的数量。

方法一：base R + dplyr（无额外依赖） #

sales_df %>%
  # 将年月格式化为"YYYY-MM"的字符串，保证排序正确
  mutate(year_month = paste(purchase_year, sprintf("%02d", purchase_month), sep = "-")) %>%
  group_by(year_month) %>%
  summarise(total_new_customers = sum(new_customer)) %>% # 统计当月新客户数
  arrange(year_month) # 按年月排序

这里用sprintf("%02d", ...)是为了让月份变成两位数字（比如1月→"01"），避免排序时出现"2023-1"排在"2023-10"后面的问题。

方法二：用lubridate处理日期（更规范） #

如果需要后续做时间序列分析，推荐用lubridate把年月转换成日期对象：

library(lubridate)

sales_df %>%
  # 生成年月对应的日期对象（默认当月第一天）
  mutate(year_month = ym(paste(purchase_year, purchase_month))) %>%
  group_by(year_month) %>%
  summarise(total_new_customers = sum(new_customer)) %>%
  arrange(year_month)

方法三：data.table（超大数据量首选） #

如果你的销售数据是百万级以上的，data.table的速度会比dplyr快很多：

library(data.table)

# 转换为data.table格式
setDT(sales_df)

# 标记首次购买
sales_df[, new_customer := !duplicated(cust)]

# 生成年月分组字段并统计
sales_df[, year_month := paste(purchase_year, sprintf("%02d", purchase_month), sep = "-")]
new_cust_stats <- sales_df[, .(total_new_customers = sum(new_customer)), by = year_month]

# 按年月排序
setorder(new_cust_stats, year_month)

关键注意点 #

一定要确保数据是按购买时间排序的！不管用哪种方法，duplicated()或row_number()都是基于行的顺序判断首次出现的，如果客户的首次购买记录没排在前面，结果就会出错。如果数据还没排序，务必先执行排序操作。

内容的提问来源于stack exchange，提问作者Miquel