如何让tapply不受INDEX列顺序影响，按数据集自然顺序生成分组日期序变量？

原始数据 #

Subject Site Date
1 2 '2020-01-01'
1 2 '2020-01-01'
1 2 '2020-01-02'
2 1 '2020-01-02'
2 1 '2020-01-03'
2 1 '2020-01-03'

期望结果 #

按Subject和Site分组，为唯一日期生成序变量，期望输出：

Want
1
1
2
1
2
2

遇到的问题 #

自定义生成序变量的函数：

rle <- function(x) cumsum(!duplicated(x))

使用tapply时，INDEX参数的列顺序不同会导致结果顺序与原数据不一致：

have1 <- unlist(tapply(val$Date, val[, c( 'Site', 'Subject')], rle))
have2 <- unlist(tapply(val$Date, val[, c('Subject', 'Site')], rle))

输出结果：

> have1
[1] 1 1 2 1 2 2
> have2
[1] 1 2 2 1 1 2

解决方案 #

方法1：使用ave函数 #

ave函数会自动保留原数据的顺序，无需担心分组变量的顺序：

val$Want <- ave(val$Date, val$Subject, val$Site, FUN = function(x) cumsum(!duplicated(x)))

方法2：使用dplyr包（tidyverse风格） #

通过分组后突变的方式，严格保留原始数据行顺序：

library(dplyr)

val <- val %>%
  group_by(Subject, Site) %>%
  mutate(Want = cumsum(!duplicated(Date))) %>%
  ungroup()

方法3：使用data.table包 #

适合大数据集处理，同样保留原数据顺序：

library(data.table)
setDT(val)[, Want := cumsum(!duplicated(Date)), by = .(Subject, Site)]

以上三种方法中，分组变量的顺序均不会影响最终结果的行排列，完全遵循数据集的自然顺序。

内容的提问来源于stack exchange，提问作者AdamO