基于数据框列的企业周期分组识别（R语言dplyr实现问题）

需求说明 #

现有n家企业的时序数据，包含DATE、firm、var三列，需要生成cycle列，规则为：一组连续非零值（可正可负）加上紧随其后的若干零值，属于同一个周期。示例数据如下：

现有代码问题 #

你当前的代码基于some_tmp_var的变化生成分组，会把非零段和后续的零段分成不同周期，不符合需求。

正确实现代码 #

我们可以利用data.table的rleid函数（用于识别连续重复分组）结合cumsum来实现需求，代码如下：

library(dplyr)
library(data.table)

# 假设你的数据框名为data
data <- data %>%
  ungroup() %>%
  group_by(firm) %>%
  # 生成初始连续分组：连续非零/连续零各为一组
  mutate(grp = rleid(var != 0)) %>%
  # 标记当前行是否属于非零组
  mutate(is_non_zero = var != 0) %>%
  # 累加非零组的出现次数，零组会继承前一个非零组的周期号
  mutate(cycle = cumsum(is_non_zero)) %>%
  # （可选）处理开头就是零的特殊情况，这里设为0，可根据需求调整
  mutate(cycle = ifelse(cycle == 0, 0, cycle)) %>%
  # 移除临时辅助列
  select(-grp, -is_non_zero) %>%
  ungroup()

代码解释 #

1. 按企业分组：确保每个企业的时序数据独立处理，避免跨企业的周期混乱。
2. 初始连续分组：rleid(var != 0)将连续的非零值、连续的零值分别划分为不同的临时分组。
3. 非零组标记：is_non_zero标记当前行是否属于非零值组。
4. 生成周期号：cumsum(is_non_zero)会在每次遇到非零组时累加计数，后续的零组因为is_non_zero为0，计数保持不变，正好实现“非零段+后续零段为同一周期”的规则。
5. 特殊情况处理：如果数据开头就是零值，cycle会被设为0，你可以根据实际需求改为NA或其他值。

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