在R中按分组生成唯一事件列并修复统计结果异常

问题背景 #

用户持有包含BirdsID_season（原ID字段）、time（日期时间类型）、class（因子类型）的鸟类迁徙数据集，示例数据如下：

ID                          time                class    
   <chr>                       <dttm>              <fct>    
 1 BBR-b172021-M_fall_winter_4 2022-11-01 19:03:31 migrating
 2 BBR-b172021-M_fall_winter_4 2022-11-04 22:03:33 migrating 
 ...（其余数据省略）

需求 #

需通过group_by、mutate等方法为数据集添加以下新列：

• unique_class：标记连续的唯一事件（如migrating1、stopover1）；
• migrate_sum/stopover_sum/winter_sum：按BirdsID_season统计对应类别的事件总次数；
• event_duration：计算每个事件的持续时间（天/小时）。

问题现象 #

使用@akrun的方案后，unique_class列生成正常，但统计列结果异常。例如针对BirdsID_season为BBR-b432021-M_fall_winter_4的数据，stopover_sum预期为1，但实际显示为3。测试代码如下：

# 查看目标ID的相关字段
fall_mig2 %>% 
  filter(BirdsID_season == "BBR-b432021-M_fall_winter_4") %>% 
  select(BirdsID_season, x, y, time, unique_class, class, stopover_sum) 

# 提取首尾10行验证stopover_sum
slice_head <-  fall_mig2 %>% 
  filter(BirdsID_season == "BBR-b432021-M_fall_winter_4") %>% 
  slice_head(n = 10) 
slice_tail <- fall_mig2 %>% 
  filter(BirdsID_season == "BBR-b432021-M_fall_winter_4") %>% 
  slice_tail(n = 10) 
bind_rows(slice_head, slice_tail) %>% select(BirdsID_season, x, y, time, stopover_sum)

输出结果中，迁移阶段的stopover_sum显示为3，冬季阶段显示为1，与预期不符。

解决方案 #

问题核心是原方案错误统计了对应类别的总行数，而非连续事件的数量。以下是修正后的完整代码：

library(dplyr)
library(data.table) # 用于生成连续事件分组的rleid函数

fall_mig2 <- fall_mig2 %>%
  # 第一步：按ID分组，生成连续事件的分组标识
  group_by(BirdsID_season) %>%
  mutate(
    rleid = rleid(class), # 连续相同class的行共享同一rleid
    unique_class = paste(class, match(rleid, unique(rleid)), sep = ""),
    # 先计算每行到事件起始时间的差，后续统一取最大值
    event_duration_temp = difftime(time, first(time), units = "days")
  ) %>%
  # 第二步：按ID+连续事件分组，确定每个事件的总持续时间
  group_by(BirdsID_season, rleid) %>%
  mutate(event_duration = max(event_duration_temp)) %>%
  ungroup() %>%
  # 第三步：再次按ID分组，统计各类连续事件的数量
  group_by(BirdsID_season) %>%
  mutate(
    migrate_sum = n_distinct(rleid[class == "migrating"]),
    stopover_sum = n_distinct(rleid[class == "stopover"]),
    winter_sum = n_distinct(rleid[class == "winter"])
  ) %>%
  ungroup() %>%
  # 清理中间临时字段
  select(-rleid, -event_duration_temp)

关键逻辑说明 #

1. rleid(class)：生成连续相同class的分组ID，确保同一连续事件的所有行拥有相同标识；
2. unique_class：通过拼接class与该类别在当前ID下的连续事件序号，生成唯一事件标记；
3. event_duration：先计算每行到事件起始时间的差值，再按连续事件分组取最大值，得到事件的总持续时间（可将units = "days"改为"hours"切换单位）；
4. 统计列修正：使用n_distinct(rleid[class == "xxx"])统计对应类别的连续事件数量，而非总行数，解决了原方案的统计错误。

内容的提问来源于stack exchange，提问作者Nick