R语言按ID计算跨时段ln_rd平均值的实现问题

Hey there! 很高兴你已经想到用dplyr分组，这思路完全找对了方向——排序后结合年份索引（或者移位变量）确实能完美解决你的需求，咱们一步步来实现：

核心思路 #

你的需求本质是在每个id组内，根据该id的最早观测年份，选取对应两个年份的ln_rd计算平均值。用dplyr的话，只要先把每个id内的年份按顺序排好，再针对性提取数值计算就行。

代码实现 #

假设你的数据框名为df，包含id、year、ln_rd三个核心变量，代码如下：

library(dplyr)

df_final <- df %>%
  # 第一步：按id分组，组内按年份升序排序（确保1991→1999→2007的顺序）
  group_by(id) %>%
  arrange(year, .by_group = TRUE) %>%
  # 第二步：标记每个id的首个有效ln_rd观测年份（若所有ln_rd无缺失，直接用first(year)即可）
  mutate(first_obs_year = first(year[!is.na(ln_rd)])) %>%
  # 第三步：根据首个观测年份计算目标平均值
  mutate(avg_ln_rd = case_when(
    # 首个观测在1999年：取1999和1991年的ln_rd平均值
    first_obs_year == 1999 ~ mean(c(ln_rd[year == 1999], ln_rd[year == 1991]), na.rm = TRUE),
    # 首个观测在2007年：取2007和1999年的ln_rd平均值
    first_obs_year == 2007 ~ mean(c(ln_rd[year == 2007], ln_rd[year == 1999]), na.rm = TRUE),
    # 额外处理：若首个观测在1991年（你没提但可能存在），可按需调整规则
    TRUE ~ mean(c(ln_rd[year == 1991], ln_rd[year == 1999]), na.rm = TRUE)
  )) %>%
  # 可选：取消分组（方便后续其他操作）
  ungroup()

代码细节解释 #

1. arrange(year, .by_group = TRUE)：这是关键步骤，确保每个id内的年份严格按时间顺序排列，后续提取年份值时不会混乱。.by_group = TRUE保证排序仅在当前id组内进行，不会打乱分组结构。
2. first(year[!is.na(ln_rd)])：精准定位每个id中第一个有有效ln_rd值的年份；如果你的数据里所有ln_rd都没有缺失，直接简化成first(year)就行。
3. case_when逻辑：通过年份索引直接提取对应年份的ln_rd值，na.rm = TRUE能自动忽略可能的缺失值，避免计算报错。

关于移位变量的补充 #

如果你特别想用移位变量（比如lag()或lead()）实现，也可以尝试——比如当某个id只有1999和2007两个年份时，排序后ln_rd的第一个值是1999年的，第二个是2007年的，这时候mean(c(ln_rd, lag(ln_rd)), na.rm = TRUE)也能得到平均值。但这种方法依赖固定的年份组合，灵活性不如直接按年份索引，所以更推荐上面的写法。

内容的提问来源于stack exchange，提问作者lex_022