基于用户名生成唯一ID：dplyr与Stata实现对比

问题背景 #

我有一份Reddit数据集，每行代表一条Reddit帖子并包含用户名信息，不同用户名的发帖量差异较大。我希望为每个用户名生成唯一ID，但使用以下dplyr代码后，生成的是用户帖子的序号而非用户名的唯一ID：

df <- df %>% 
  group_by(username)  %>% 
 mutate(id = row_number())%>% 
 relocate(id)

数据示例 #

原数据前5行（仅展示date和username字段）：

dput(df[1:5,c(2,3)])

输出：

structure(list(date = structure(c(15149, 15150, 15150, 15150, 15150), class = "Date"), username = c("تتطور", "عاطله فقط", "قصه ألم", "بشروني بوظيفة", "الواعده")), class = c("grouped_df", "tbl_df", "tbl", "data.frame"), row.names = c(NA, -5L), groups = structure(list(username = c("الواعده", "بشروني بوظيفة", "تتطور", "عاطله فقط", "قصه ألم"), .rows = structure(list(5L, 4L, 1L, 2L, 3L), ptype = integer(0), class = c("vctrs_list_of", "vctrs_vctr", "list"))), class = c("tbl_df", "tbl", "data.frame"), row.names = c(NA, -5L), .drop = TRUE))

运行错误代码后，前10行的id和username字段输出：

dput(df[1:10,c(1,4)])

输出：

structure(list(id = c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 3L), username = c("تتطور", "عاطله فقط", "قصه ألم", "بشروني بوظيفة", "الواعده", "ماخليتوآ لي اسم", "مرافئ ساكنه", "معتوقة", "تتطور", "تتطور")), class = c("grouped_df", "tbl_df", "tbl", "data.frame"), row.names = c(NA, -10L), groups = structure(list(username = c("الواعده", "بشروني بوظيفة", "تتطور", "عاطله فقط", "قصه ألم", "ماخليتوآ لي اسم", "مرافئ ساكنه", "معتوقة"), .rows = structure(list(5L, 4L, c(1L, 9L, 10L), 2L, 3L, 6L, 7L, 8L), ptype = integer(0), class = c("vctrs_list_of", "vctrs_vctr", "list"))), class = c("tbl_df", "tbl", "data.frame"), row.names = c(NA, -8L), .drop = TRUE))

在Stata中，我可以通过以下代码实现为每个用户名生成唯一ID：

// create an id variable per username
egen id = group(username)

解决方案 #

在dplyr中，有几种方法可以实现类似Stata egen group的功能，为每个用户名分配全局唯一ID：

方法1：使用cur_group_id()（推荐） #

cur_group_id()会为每个分组分配唯一的整数ID，结合group_by()使用即可：

df <- df %>%
  group_by(username) %>%
  mutate(id = cur_group_id()) %>%
  ungroup() %>%  // 取消分组，避免后续操作受分组影响
  relocate(id)

• 特点：ID按分组的排序顺序分配（默认按用户名的字符顺序排序）
• 注意：必须先通过group_by(username)分组，再调用cur_group_id()

方法2：使用factor转换为整数 #

将用户名转为因子类型，再转换为整数，每个因子水平对应唯一ID：

// 按用户名的字符顺序分配ID
df <- df %>%
  mutate(id = as.integer(factor(username))) %>%
  relocate(id)

// 按用户名首次出现的顺序分配ID（更贴近Stata默认的`egen group`行为）
df <- df %>%
  mutate(id = as.integer(factor(username, levels = unique(username)))) %>%
  relocate(id)

• 特点：灵活控制ID的分配顺序，通过levels参数指定ID的排序规则

方法3：使用group_indices()（旧版函数） #

group_indices()是cur_group_id()的前身，功能类似，但已不再推荐使用：

df <- df %>%
  mutate(id = group_indices(., username)) %>%
  relocate(id)

内容的提问来源于stack exchange，提问作者nesta1990