替代R语言for循环中append操作的高效方法

我有两个数据框：家庭信息数据框df_men，以及家庭成员信息数据框df_ind。每个家庭有唯一IDid，每个成员都标记了所属家庭的ID。我需要获取每个家庭户主的年龄，规则是当LIEN_CM==0时，该成员为户主。

我原本用的代码如下，但因为df_ind有3,341,426行，循环运行速度极慢，想找更高效的方法：

age_hh <- c()

for (i in df_ind$id) {
  b <- df_ind[df_ind$id==i & df_ind$LIEN_CM==0,]$AGE1
  age_hh <- append(age_hh, b)
}

age_hh是最终要得到的年龄向量。

更新内容 #

我尝试了评论里的方法，但结果有问题：我的家庭数据框df_men只有730,099个家庭：

> dim(df_men)
[1] 730099     43

所以户主数量应该也是730,099，从LIEN_CM的统计也能看出来：

> table(df_ind$LIEN_CM)

      0       1       2       3       4       5       6       7       8       9 
 730099  561080 1558839  163435   60048   75679   89529   69358    4360   22845 

但用该方法得到的年龄向量有736,253个值：

> df_ind[df_ind$LIEN_CM==0,'AGE1']
# A tibble: 736,253 × 1
   AGE1       
   <dbl+lbl>  
 1 NA         
 2 17 [17 ans]
 3 NA         
 4 NA         
 5 NA         
 6 NA         
 7 NA         
 8 NA         
 9 NA         
10 NA         
# ℹ 736,243 more rows
# ℹ Use `print(n = ...)` to see more rows

其中大部分是NA：

> sum(is.na(df_ind[df_ind$LIEN_CM==0,'AGE1']))
[1] 724462

另一个评论里的方法运行时间极长，至今还在跑。

更新内容2 #

补充统计：

> sum(df_ind$LIEN_CM==0)
[1] NA
> sum(df_ind$LIEN_CM==0, na.rm = TRUE)
[1] 730099

以下是df_ind前100行的id、LIEN_CM、AGE1字段的dput输出：

> dput(head(df_ind[c("id","LIEN_CM","AGE1")], n = 100))
structure(list(id = c(25500L, 25500L, 25501L, 25501L, 25501L, 
25501L, 25501L, 25502L, 25502L, 25502L, 25502L, 25502L, 25503L, 
25503L, 25503L, 25503L, 25503L, 25503L, 25503L, 25504L, 25504L, 
25504L, 25504L, 25504L, 25505L, 25506L, 25506L, 25507L, 25508L, 
25508L, 25508L, 25508L, 25509L, 25510L, 25510L, 25510L, 25510L, 
25510L, 25511L, 25511L, 25511L, 25511L, 25511L, 25511L, 25511L, 
25511L, 25511L, 25512L, 25512L, 25512L, 25512L, 25512L, 25513L, 
25514L, 25514L, 25514L, 25514L, 25514L, 25515L, 25515L, 25515L, 
25516L, 25516L, 25516L, 25516L, 25516L, 25516L, 25516L, 25517L, 
25517L, 25517L, 25517L, 25518L, 25518L, 25518L, 25518L, 25518L, 
25518L, 25519L, 25519L, 25519L, 25519L, 25519L, 25519L, 25519L, 
25520L, 25520L, 25521L, 25521L, 25521L, 25521L, 25521L, 25521L, 
25521L, 25521L, 25521L, 25521L, 25521L, 25521L, 25521L), LIEN_CM = c(0, 
4, 0, 9, 9, 9, 9, 0, 1, 2, 2, 2, 0, 2, 2, 2, 2, 2, 4, 0, 1, 2, 
2, 2, 0, 0, 1, 0, 0, 5, 5, 5, 0, 0, 1, 2, 2, 2, 0, 1, 2, 2, 2, 
2, 2, 6, 2, 0, 1, 2, 6, 3, 0, 0, 1, 2, 2, 4, 0, 2, 2, 0, 1, 2, 
2, 2, 5, 5, 0, 1, 2, 2, 0, 1, 2, 2, 2, 2, 0, 2, 2, 2, 2, 2, 2, 
0, 1, 0, 1, 2, 6, 3, 3, 3, 3, 2, 6, 3, 3, 3), AGE1 = c(NA, NA, 
17, 20, 22, 20, NA, NA, NA, NA, NA, 24, NA, NA, NA, NA, 21, 18, 
NA, NA, NA, 8, 5, 4, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, 
NA, 10, 5, 1, NA, NA, 20, 17, 13, 9, 21, 22, 0, NA, NA, NA, 24, 
2, 20, NA, NA, 5, 3, NA, NA, NA, NA, NA, NA, 16, 13, 6, NA, NA, 
NA, NA, 3, 1, NA, NA, 21, 19, 17, 9, NA, NA, 24, 21, 19, 18, 
17, NA, 23, NA, NA, NA, NA, NA, NA, 18, 15, NA, NA, 14, 10, 5
)), row.names = c(NA, 100L), class = c("grouped_df", "tbl_df", 
"tbl", "data.frame"))

问题根源 #

从dput输出可见df_ind是分组数据框（grouped_df），直接筛选会保留分组结构导致计数异常；同时原始循环重复处理同一家庭ID，完全冗余。

高效方法1：用dplyr分组提取 #

先取消分组，再按家庭ID去重提取户主年龄：

library(dplyr)

# 取消分组（否则筛选逻辑会受分组影响）
df_ind_ungrouped <- ungroup(df_ind)

# 筛选户主、去重、提取年龄
age_hh <- df_ind_ungrouped %>%
  filter(LIEN_CM == 0) %>%
  distinct(id, .keep_all = TRUE) %>%  # 确保每个家庭仅保留一条户主记录
  pull(AGE1)

高效方法2：用基础R的aggregate函数 #

无需加载第三方包，用基础R实现：

# 取消分组
df_ind_ungrouped <- ungroup(df_ind)

# 按ID聚合，提取每个家庭的户主年龄
age_hh <- aggregate(AGE1 ~ id, 
                    data = df_ind_ungrouped[df_ind_ungrouped$LIEN_CM == 0, ],
                    FUN = function(x) x[1])$AGE1

关键说明 #

1. 取消分组：分组数据框的筛选逻辑会受分组规则干扰，必须先ungroup()才能正常处理。
2. 去重处理：distinct(id, .keep_all = TRUE)避免同一家庭存在多条户主记录的异常情况，保证结果数量与家庭数一致。
3. 性能优势：两种方法均为向量化操作，比循环快数倍，可轻松处理百万级数据。

内容的提问来源于stack exchange，提问作者Saïd Maanan