在R语言中为数据框创建分组累加计数的clump列

我有如下的R数据框：

DF <- structure(list(Gene = c("GeneA", "GeneB", "GeneC", "GeneD", "GeneE"), region = c("1:5914103-1:7245590","1:27403851-1:30161281","1:27403851-1:30161281","1:27403851-1:30161281","1:34800556-1:37548572")), .Names = c("Gene","region"), row.names = c(NA, 5L), class = "data.frame")

初始数据框输出如下：

DF
Gene region
1 GeneA 1:5914103-1:7245590
2 GeneB 1:27403851-1:30161281
3 GeneC 1:27403851-1:30161281
4 GeneD 1:27403851-1:30161281
5 GeneE 1:34800556-1:37548572

我想要添加一个新列clump，对region列的不同分组进行累加式分类编号——即第一个出现的region编号为1，第二个新出现的为2，以此类推，相同region的行共用同一个编号，最终得到这样的结果：

DF
Gene region clump
1 GeneA 1:5914103-1:7245590 1
2 GeneB 1:27403851-1:30161281 2
3 GeneC 1:27403851-1:30161281 2
4 GeneD 1:27403851-1:30161281 2
5 GeneE 1:34800556-1:37548572 3

我在Stack Overflow上搜了不少类似问题，但大多是统计组内行数或者组内唯一值，没找到这种单纯对分组进行递增编号的方法，麻烦大家帮忙解答！

解决方案 #

这里有几种简单的实现方式，适配不同的工作流：

1. Base R 方法 #

直接利用factor()的特性就能搞定：

DF$clump <- as.integer(factor(DF$region, levels = unique(DF$region)))

解释：unique(DF$region)会按照region在数据框中出现的顺序提取唯一值，作为因子的水平；as.integer()会把每个水平转换成对应的整数编号，正好符合你需要的累加式编号逻辑。

2. dplyr 方法（tidyverse 风格） #

如果你习惯用tidyverse工具链，有两种直观的写法：

library(dplyr)

# 方法一：用group_indices
DF <- DF %>% mutate(clump = group_indices(., region))

# 方法二：用cur_group_id（dplyr 1.0.0及以上版本推荐）
DF <- DF %>% 
  group_by(region) %>% 
  mutate(clump = cur_group_id()) %>% 
  ungroup()

两种方法都能实现需求，cur_group_id()是较新版本dplyr推出的函数，语义更清晰。

3. data.table 方法 #

如果处理的是大数据集，data.table的效率会更高：

library(data.table)

setDT(DF)[, clump := .GRP, by = region]

解释：.GRP是data.table内置的变量，会按照分组的出现顺序自动分配递增的整数编号。

验证一下，这三种方法都能得到你想要的结果：

print(DF)
#     Gene                region clump
# 1: GeneA 1:5914103-1:7245590     1
# 2: GeneB 1:27403851-1:30161281     2
# 3: GeneC 1:27403851-1:30161281     2
# 4: GeneD 1:27403851-1:30161281     2
# 5: GeneE 1:34800556-1:37548572     3

内容的提问来源于stack exchange，提问作者Lynsey