如何将按年份聚合的分组DataFrame转换为ts时间序列对象

AI 小北

2026-8-2

如何将分组的年度聚合数据转换为时间序列对象？

你的问题核心在于stats::ts()要求连续无缺失的时间索引，但分组数据中存在年份断层（比如Type 1缺少1989、1990年数据），直接转换会导致时间轴错位或报错。以下是具体解决方案：

步骤1：预处理数据，补全缺失年份

先取消分组，为每个Type补全所有年份的记录，缺失的Rolling_Sum用NA填充：

library(tidyverse)
library(stats)

# 取消分组，转换为普通数据框
df <- ungroup(grouped_df)

# 获取数据覆盖的完整年份范围
all_years <- seq(min(df$Year), max(df$Year), by = 1)

# 为每个Type补全所有年份，缺失值填充NA
full_df <- df %>%
  group_by(Type) %>%
  complete(Year = all_years) %>%
  ungroup()

步骤2：生成时间序列对象

根据需求选择以下两种方式：

方式1：按Type生成独立的时间序列列表

适合单独分析每个Type的时序特征：

# 按Type拆分数据并生成ts对象
ts_list <- full_df %>%
  group_split(Type) %>%
  purrr::map(function(sub_df) {
    ts(
      data = sub_df$Rolling_Sum,
      start = min(sub_df$Year),
      end = max(sub_df$Year),
      frequency = 1  # 年度数据频率为1
    )
  })

# 为列表元素命名，方便调用
names(ts_list) <- unique(full_df$Type)

# 查看Type 1的时间序列
ts_list[["Type 1"]]

方式2：生成多变量时间序列

适合对比分析多个Type的时序趋势：

# 转换为宽格式（每个Type作为一列）
wide_df <- full_df %>%
  pivot_wider(names_from = Type, values_from = Rolling_Sum) %>%
  arrange(Year)

# 生成多变量ts对象
multi_ts <- ts(
  data = wide_df[, -1],  # 排除Year列
  start = min(wide_df$Year),
  end = max(wide_df$Year),
  frequency = 1
)

# 查看多变量时间序列
multi_ts