如何在R中高效按组统计dataframe列指定字符串的首次出现次数？

针对百万级数据的处理需求，data.table是最优选择之一——它的分组聚合基于底层C实现，性能远优于基础data.frame或常规dplyr方案。以下是具体实现步骤：

步骤1：转换数据格式 #

先加载data.table包，将你的data.frame转为data.table格式（这是高效操作的基础）：

library(data.table)
setDT(testDF)

步骤2：核心统计逻辑 #

核心思路：按ID分组，找到每个ID中State首次为"X"的Period，再统计每个Period对应的ID数量：

# 提取每个ID首次出现X的Period，再统计各Period的ID数
result <- testDF[State == "X", .(First_X_Period = min(Period)), by = ID][
  , .(Count = .N), by = First_X_Period
]

# 重命名列匹配目标效果
setnames(result, "First_X_Period", "Period")

运行后得到结果：

> result
   Period Count
1:      3     1
2:      2     1

对应示例数据：ID10首次在Period3出现X，ID60首次在Period2出现X，ID50从未出现X因此不计入统计。

可选：补全全周期统计（含Count=0的情况） #

如果需要展示所有Period（即使无ID首次出现X），可以生成全周期表做左连接补全：

# 生成包含所有Period的基准表
all_periods <- data.table(Period = 1:5)
# 左连接并将NA填充为0
result_full <- all_periods[result, on = "Period"][is.na(Count), Count := 0][]

得到的完整结果：

> result_full
   Period Count
1:      1     0
2:      2     1
3:      3     1
4:      4     0
5:      5     0

性能优势说明 #

• 直接用min(Period)聚合首次出现位置，避免了筛选整组行的冗余计算，计算量更小
• data.table的分组操作是原地优化的，内存占用远低于基础R分组方法，完美适配数百万行的大数据场景

内容的提问来源于stack exchange，提问作者Village.Idyot