group_by与mutate尺寸不匹配：按bird_ID分组生成Position.Burst.ID

问题根源 #

你的错误是因为在mutate中调用pbid(data_table)时，传入的是整个数据集而非当前分组的子集，导致返回的Position.Burst.ID长度与分组后的行不匹配。此外，原函数直接修改输入的data.table并返回整个表，不符合mutate需要返回对应长度向量的要求。

修复自定义函数 #

修改pbid函数，使其仅接收时间戳向量并返回对应的burst ID向量，而非操作整个数据集：

pbid <- function(timestamps) {
  # 确保时间戳为POSIXct格式
  timestamps <- as.POSIXct(timestamps, tz = "UTC")
  # 判断相邻时间差是否≥5秒，首行标记为新burst起点
  is_new_burst <- c(TRUE, diff(timestamps) >= 5)
  # 获取所有新burst的起始行索引
  burst_starts <- which(is_new_burst)
  # 生成每个行对应的burst ID
  burst_ids <- rep(seq_along(burst_starts), diff(c(burst_starts, length(timestamps) + 1)))
  return(burst_ids)
}

使用dplyr分组计算 #

在group_by后，直接将分组内的timestamp列传入pbid函数即可：

library(dplyr)

data_table %>%
  group_by(bird_ID) %>%
  mutate(Position.Burst.ID = pbid(timestamp)) %>%
  ungroup()

更高效的data.table原生写法 #

由于你使用的是data.table，推荐用原生分组语法，性能更优：

data_table[, Position.Burst.ID := pbid(timestamp), by = bird_ID]

验证示例 #

假设测试数据：

test_dt <- data.table(
  bird_ID = c("350E", "350E", "350E", "350F", "350F"),
  timestamp = as.POSIXct(c(
    "2022-05-02 00:03:59",
    "2022-05-02 00:04:01",
    "2022-05-02 00:04:06",
    "2022-05-02 00:05:00",
    "2022-05-02 00:05:02"
  ), tz = "UTC")
)

运行data.table代码后，结果为：

bird_ID           timestamp Position.Burst.ID
1:    350E 2022-05-02 00:03:59                 1
2:    350E 2022-05-02 00:04:01                 1
3:    350E 2022-05-02 00:04:06                 2
4:    350F 2022-05-02 00:05:00                 1
5:    350F 2022-05-02 00:05:02                 1

符合预期：350E的第三行时间差≥5秒，分配新ID；350F的两行时间差<5秒，共用同一ID。

内容的提问来源于stack exchange，提问作者helianthus