按分组与日期统计分类变量：计算员工累计任职岗位数

原始数据集 #

需求说明 #

基于name列分组，统计每位员工截至对应date日期时，累计任职过的不同rolename岗位数量，新增nopositions列，目标效果如下：

目标数据集 #

失败尝试代码 #

#attempt 1
library(dplyr)

data %>%
group_by(name) %>%
mutate(nopositions = count(rolename))

#attempt2
library(runner)

data %>%
group_by(name) %>%
mutate(nopositions = runner(x = rolename,
                            k = inf,
                            idx = date,
                            f = function(x) length(x))

正确实现方法 #

方法一：dplyr原生实现（无需额外包） #

核心思路是标记每个岗位首次出现的顺序，再用累积最大值得到累计不同岗位数：

library(dplyr)

data %>%
  group_by(name) %>%
  arrange(date) %>% # 确保按日期顺序处理
  mutate(
    # 标记每个岗位在当前员工序列中的首次出现位次
    first_pos = match(rolename, unique(rolename)),
    # 累积取最大值，得到截至当前日期的累计岗位数
    nopositions = cummax(first_pos)
  ) %>%
  select(-first_pos) %>% # 移除中间辅助列
  ungroup()

方法二：结合purrr的直观实现 #

通过逐行统计当前行及之前的去重岗位数量：

library(dplyr)
library(purrr)

data %>%
  group_by(name) %>%
  arrange(date) %>%
  mutate(nopositions = map_int(row_number(), ~length(unique(rolename[1:.x])))) %>%
  ungroup()

方法三：修正runner包的使用 #

原runner尝试的问题是未对岗位去重，修正后代码如下：

library(runner)
library(dplyr)

data %>%
  group_by(name) %>%
  arrange(date) %>%
  mutate(nopositions = runner(
    x = rolename,
    k = Inf, # 取从开头到当前行的所有数据
    f = function(x) length(unique(x)) # 统计去重后的岗位数量
  )) %>%
  ungroup()

关键注意点 #

• 所有方法必须先对date排序，否则累积统计的顺序会出错
• 分组仅针对name，确保只统计同一员工的岗位记录

内容的提问来源于stack exchange，提问作者fsure