在R中使用dplyr生成分组切换时重置的序列变量n

给定如下R数据集：

id <- c(1,1,1,1,1,2,2,2,2,3,3)
time <- c(2000,2001,2002,2003,2004,2000,2001,2002,2003,2000,2001)
group <- c(0,0,1,0,0,0,1,0,1,0,0)
df_temp <- data.frame(id, time, group)

需要创建一个名为n的新变量，规则是：每当group从0切换到1或从1切换到0时，重置序列计数，预期的n序列为：

n <- c(1,2,1,1,2,1,1,1,1,1,2)

尝试了以下代码，但结果不符合预期：

df_temp2 <- 
   df_temp %>%
   arrange(id, time, group) %>%
   group_by(group) %>%
   mutate(n=seq_along(group))

解决方案 #

你之前的错误在于直接按group分组计数，这无法区分同一个group在不同时间段的连续区间（比如id=1的group=0出现了两段连续区间）。正确的思路是：先按id分组，识别出每个id内连续相同的group分段，再在每个分段内生成从1开始的序列。

完整的dplyr代码如下：

library(dplyr)

df_result <- df_temp %>%
  # 先按id和时间排序，确保观测顺序正确
  arrange(id, time) %>%
  # 按id分组，处理每个id内的group切换
  group_by(id) %>%
  # 生成连续相同group的分段标识：切换group时分段+1
  mutate(segment = cumsum(group != lag(group, default = first(group)))) %>%
  # 在id和segment的分组内生成序列
  group_by(segment, .add = TRUE) %>%
  mutate(n = row_number()) %>%
  # 可选：移除中间用的segment列
  ungroup() %>%
  select(-segment)

代码逻辑说明： #

1. arrange(id, time)：确保每个id的观测按时间顺序排列，这是序列计数的基础。
2. group_by(id)：每个id的group切换是独立的，必须按id分组处理。
3. mutate(segment = cumsum(group != lag(group, default = first(group))))：
   • lag(group, default = first(group))：取当前行的上一行group值，第一行默认用自身的group值
   • group != lag(...)：当当前group和上一行不同时返回TRUE（即1），否则返回FALSE（即0）
   • cumsum()累加后，每个连续相同的group段会得到同一个segment值，group切换时segment自动加1
4. group_by(segment, .add = TRUE)：在原id分组的基础上，新增segment分组，这样每个连续的group段就是一个独立分组。
5. mutate(n = row_number())：在每个分组内生成从1开始的连续序列，满足切换group时重置计数的需求。

运行后查看结果：

> df_result
# A tibble: 11 × 4
      id  time group     n
   <dbl> <dbl> <dbl> <int>
 1     1  2000     0     1
 2     1  2001     0     2
 3     1  2002     1     1
 4     1  2003     0     1
 5     1  2004     0     2
 6     2  2000     0     1
 7     2  2001     1     1
 8     2  2002     0     1
 9     2  2003     1     1
10     3  2000     0     1
11     3  2001     0     2

生成的n序列与预期完全一致。

内容的提问来源于stack exchange，提问作者Cherry Lim