如何用R的data.table/dplyr/base更直接地为学生连续教育阶段分配追踪ID？

你的需求是按学生分组，为每一段连续相同的track值分配递增的唯一标识符，现有方法已经有效，但确实有更简洁的实现方式，以下是不同工具包的优化方案：

1. data.table 最简实现（推荐） #

data.table内置了rleid()函数，专门用于生成连续重复值的分组ID，完美匹配你的需求，不需要额外的辅助列，一步到位：

library(data.table)
dt <- data.table(
  student = c(rep(1, 8), rep(2, 8)),
  year = rep(2001:2008, 2),
  track = c(rep("Highschool", 3), rep("Vocational", 2), rep("Uni", 1), rep("Vocational", 2), rep("Vocational", 2), rep("Highschool", 4), rep("Vocational", 2))
)

# 直接生成tracker
dt[, tracker := rleid(track), by = student]
dt

运行后得到的结果和你期望的完全一致，rleid(track)会在每个student组内，每当track值变化时，ID自动递增。

2. dplyr 实现方式 #

在dplyr中，可以通过分组后结合lag()函数判断值的变化，再用cumsum()累加变化次数来生成ID：

library(dplyr)
dt %>%
  group_by(student) %>%
  mutate(
    tracker = cumsum(track != lag(track, default = first(track))) + 1
  ) %>%
  ungroup()

• lag(track, default = first(track))：获取前一行的track值，第一行用当前组的第一个track值作为默认，避免NA
• track != lag(...)：判断当前行与前一行的track是否不同，返回布尔值（TRUE/FALSE，对应1/0）
• cumsum()累加变化次数后+1，得到从1开始的连续分组ID

3. base R 实现方式 #

无需额外包，用ave()函数按学生分组处理即可：

dt$tracker <- ave(dt$track, dt$student, FUN = function(x) {
  # 第一行标记为变化（TRUE=1），后续行判断与前一行是否不同
  cumsum(c(TRUE, x[-1] != x[-length(x)]))
})

ave()会对每个student的track向量应用自定义函数：

• c(TRUE, x[-1] != x[-length(x)])：生成一个布尔向量，第一行为TRUE，后续每行标记是否与前一行不同
• cumsum()将布尔值转为累加的ID，实现连续分组的标记

对比现有方法 #

你的原始方法逻辑正确，通过辅助列记录变化再累加，而上述方法更简洁：

• data.table的rleid()是最高效的实现，尤其适合大数据集
• dplyr和base R的写法也避免了手动处理第一行的辅助列赋值，代码更紧凑

内容的提问来源于stack exchange，提问作者A.Fischer