R语言中高效标记首次出现模式的所有年份行的方法

问题描述 #

现有如下R数据集：

year = c("2000", "2000", "2000", "2002", "2000", "2002", "2007")
id = c("X", "X", "X", "X", "Z", "Z", "Z")
product = c("apple", "orange", "orange", "orange", "cake", "cake", "bacon")
market = c("CHN", "USA", "USA", "USA", "SPA", "CHL", "CHL")
df = data.frame(year, id, product, market)

需要创建三个变量：

• FPFM：若当前行是id-产品-市场组合首次出现的年份，取值为1；否则为0
• FP：若当前行是id-产品组合首次出现的年份，取值为1；否则为0
• FM：若当前行是id-市场组合首次出现的年份，取值为1；否则为0

期望输出数据集：

year = c("2000", "2000", "2000", "2002", "2000", "2002", "2007")
id = c("X", "X", "X", "X", "Z", "Z", "Z")
product = c("apple", "orange", "orange", "orange", "cake", "cake", "bacon")
market = c("CHN", "USA", "USA", "USA", "SPA", "CHL", "CHL")
FPFM = c(1, 1, 1, 0, 1, 1, 1)
FP = c(1, 1, 1, 0, 1, 0, 1)
FM = c(1, 1, 1, 0, 1, 1, 0)
df_desired = data.frame(year, id, product, market, FPFM, FP, FM)

用户尝试的代码仅标记每组的第一行，无法将同一首次年份的所有行标记为1，且希望避免多次汇总后连接的低效方法：

df_new <- df %>%
  arrange(id, year) %>% 
  group_by(id, product, market) %>% 
  mutate(FPFM = row_number(year) == 1) %>% 
  as.data.frame() %>% 
  group_by(id, product) %>% 
  mutate(FP = row_number(year) == 1) %>% 
  as.data.frame() %>% 
  group_by(id, market) %>% 
  mutate(FM = row_number(year) == 1) %>% 
  as.data.frame() 

高效解决方案 #

核心思路是：针对每个分组，找到该组首次出现的年份（即分组内最小的年份），判断当前行的年份是否等于这个最小年份，将结果转为1/0即可。全程在dplyr管道内完成，无需拆分或连接数据：

library(dplyr)

df_result <- df %>%
  # 先将year转为数值型，确保年份比较准确（原字符型也可比较，转数值更稳妥）
  mutate(year = as.numeric(year)) %>%
  # 按id-产品-市场分组，标记首次出现年份的所有行
  group_by(id, product, market) %>%
  mutate(FPFM = as.integer(year == min(year))) %>%
  # 按id-产品分组，标记首次出现年份的所有行
  group_by(id, product) %>%
  mutate(FP = as.integer(year == min(year))) %>%
  # 按id-市场分组，标记首次出现年份的所有行
  group_by(id, market) %>%
  mutate(FM = as.integer(year == min(year))) %>%
  # 取消分组，恢复为普通数据框
  ungroup() %>%
  # 把year转回字符型（如果需要和原数据格式一致）
  mutate(year = as.character(year))

代码说明 #

1. year == min(year)：判断当前行的年份是否是该分组的最小年份（即首次出现的年份），返回布尔值TRUE/FALSE
2. as.integer()：将布尔值转为1/0，符合需求的数值格式
3. 全程使用管道操作，无需拆分或连接数据，处理大数据集时效率更高

验证结果：输出的df_result与期望的df_desired完全一致。

内容的提问来源于stack exchange，提问作者vog