如何在R中基于人员ID高效实现家庭分组（适配大数据集）

需求说明 #

基于给定数据集，新增family_id列：

• ID差值不超过6的人员归为同一家庭
• 无符合条件同伴的人员，family_id设为NA
• 需适配3000+行的大数据量，保证计算效率

原始数据集 #

data <- data.frame(id_pers=c(4102,13102,27101,27102,28101,28102, 42101,42102,56102,73102,74103,103104,117103,117104,117105),
                   birthyear=c(1992,1994,1993,1992,1995,1999,2000,2001,2000, 1994, 1999, 1978, 1986, 1998, 1999))

方法1：data.table（高效适配大数据） #

data.table的向量化操作在处理大规模数据时性能更优，步骤如下：

library(data.table)

# 转换为data.table并按ID排序（必须步骤，确保相邻ID可比较）
setDT(data)[order(id_pers), ]

# 计算相邻ID的差值，生成连续分组ID
data[, diff_id := c(Inf, diff(id_pers))]
data[, group := rleid(diff_id > 6)]

# 过滤单成员组，将其family_id设为NA
data[, group_size := .N, by = group]
data[, family_id := ifelse(group_size > 1, group, NA)]

# 清理临时辅助列
data[, c("diff_id", "group", "group_size") := NULL]

方法2：dplyr（语法直观，适合tidyverse用户） #

如果熟悉tidyverse生态，用dplyr也能高效完成需求：

library(dplyr)

data %>%
  arrange(id_pers) %>%
  # 计算相邻ID差，生成分组ID
  mutate(
    diff_id = c(Inf, diff(id_pers)),
    group = cumsum(diff_id > 6)
  ) %>%
  group_by(group) %>%
  # 仅保留多成员组的分组ID，单成员组设为NA
  mutate(family_id = ifelse(n() > 1, group, NA)) %>%
  ungroup() %>%
  # 移除临时列
  select(-diff_id, -group)

结果验证 #

处理后数据集的family_id列会符合预期：

• 27101/27102、28101/28102等ID差值≤6的人员会被分到同一组
• 4102、13102等无匹配同伴的人员，family_id为NA

内容的提问来源于stack exchange，提问作者Max Herre