如何在长格式DataFrame中统计各生计区的IPC危机转型次数？

没问题！针对你硕士论文中统计粮食安全危机转型次数的需求，我整理了一套基于R语言的实现方案，完美适配你提供的长格式DataFrame结构：

核心需求回顾 #

你需要统计每个**Livelihood zone（生计区）**的危机转型次数，其中危机转型的定义是：在连续的测量周期内，粮食安全IPC值从1/2（安全区间）转为3/4/5（危机区间）。

步骤1：数据预处理（排序） #

首先要确保每个生计区的记录按测量周期排序，这样才能准确追踪连续周期的IPC变化。我们用dplyr包来处理：

# 加载依赖包
library(dplyr)

# 假设你的原始数据框名为df，按生计区和测量周期排序
df_sorted <- df %>%
  arrange(`Livelihood zone`, `Period of measurement Kenya`)

步骤2：标记危机转型事件 #

对每个生计区分组后，用lag()函数获取上一个周期的IPC值，然后判断是否符合转型条件：

df_transition_markers <- df_sorted %>%
  group_by(`Livelihood zone`) %>%
  mutate(
    # 获取上一个周期的IPC值
    prev_ipc = lag(`IPC class`),
    # 标记是否发生危机转型：当前IPC在3-5，且上一个在1-2
    is_transition = ifelse(`IPC class` %in% c(3,4,5) & prev_ipc %in% c(1,2), 1, 0)
  ) %>%
  # 过滤掉每组的第一行（无前置周期数据）
  filter(!is.na(prev_ipc))

步骤3：按生计区汇总转型次数 #

最后分组统计每个生计区的转型次数，得到你需要的结果DataFrame：

transition_summary <- df_transition_markers %>%
  group_by(`Livelihood zone`) %>%
  summarise(
    crisis_transition_count = sum(is_transition, na.rm = TRUE)
  ) %>%
  ungroup()

关键细节说明 #

• arrange()是核心前提：只有按生计区+时间排序，lag()才能正确获取同一区域的上一周期数据
• 转型条件的精准判断：用%in%覆盖所有符合条件的IPC值，避免遗漏4/5的情况
• na.rm = TRUE确保即使有缺失值也不会影响统计结果

用你提供的前48行数据测试时，因为2011-01和2011-04的IPC值没有发生符合条件的变化，所以所有生计区的转型次数都会是0，但这套代码在有真实转型记录的完整数据上能准确统计。

内容的提问来源于stack exchange，提问作者Mathijs-ve