如何高效将纵向国家月度数据DataFrame转换为宽格式并处理缺失日期

针对你需要将长格式（country | time | value）月度数据转换为宽格式（time | countryA-value | countryB-value | ...），同时补全缺失时间并填充NA的需求，无需采用你提到的复杂低效方法，以下是两种简洁高效的R实现方案：

方案一：使用tidyverse工具链（dplyr + tidyr） #

利用tidyr::complete()自动补全每个国家的完整时间序列，再用tidyr::pivot_wider()转成宽格式，全程向量化操作，效率极高：

library(tidyverse)

# 定义完整的时间序列（与你生成的allDates逻辑一致）
all_dates <- seq.Date(from = as.Date('2020-02-01'), to = as.Date('2021-01-01'), by = 'month') - 1

# 补全缺失时间并转宽格式
result_tidy <- data2 %>%
  # 按国家分组，补全该国家所有缺失的日期，缺失的value自动填充NA
  complete(country, date = all_dates) %>%
  # 转换为宽格式，列名为国家名称，值为对应时间段的value
  pivot_wider(names_from = country, values_from = value)

方案二：使用data.table包（适配大数据量场景） #

data.table的dcast()函数支持直接在转宽时补全缺失值，代码更简洁，处理百万级数据时速度远超基础R循环逻辑：

library(data.table)

# 将数据转换为data.table格式
setDT(data2)

# 定义完整时间序列
all_dates <- seq.Date(from = as.Date('2020-02-01'), to = as.Date('2021-01-01'), by = 'month') - 1

# 生成所有日期+国家的笛卡尔积，转宽并填充缺失值为NA
result_dt <- dcast(
  data = CJ(date = all_dates, country = unique(data2$country)),
  date ~ country,
  value.var = "value",
  fun.aggregate = function(x) ifelse(length(x) > 0, x, NA),
  fill = NA
)

方案优势说明 #

• 无需手动递归填充或循环匹配：基于向量化操作逻辑，避免了低效的循环计算
• 代码简洁易维护：核心逻辑仅需2-3行，可读性强
• 性能适配广：从几千行的小数据到百万行的大数据，都能高效处理

内容的提问来源于stack exchange，提问作者Khairon