高效标记大规模对话时序数据中的说话轮次（R语言）

我有一份三人对话的时序数据，除基频、强度等信息外，还包含时间（秒为单位）与说话人信息（Person L、Person R、Person B或无人发言"0"）。示例数据如下：

t = 1:10
s = c("L", "0", "L", "0", "R", "B", "R", "0", "0", "L")
df <- data.frame(t, s)
df

输出结果：

t s
1   1 L
2   2 0
3   3 L
4   4 0
5   5 R
6   6 B
7   7 R
8   8 0
9   9 0
10 10 L

需要为数据添加说话轮次信息：一个轮次指某人发言（含停顿）直至他人开始发言，目标结果如下：

t s goal
1   1 L   L1
2   2 0   L1
3   3 L   L1
4   4 0   L1
5   5 R   R1
6   6 B   B1
7   7 R   R2
8   8 0   R2
9   9 0   R2
10 10 L   L2

已知用for循环可实现，但数据量达60万行，循环效率极低，求高效实现方案。

针对60万行的大数据量，推荐使用data.table（专为大数据快速操作设计）或dplyr的向量化操作，完全规避循环，效率提升显著。

方法1：使用data.table #

library(data.table)

# 转换为data.table格式
dt <- as.data.table(df)

# 1. 向前填充：将无人发言的"0"替换为前一个有效说话人
dt[, speaker := nafill(fifelse(s == "0", NA, s), type = "locf")]

# 2. 标记轮次切换点：当前行说话人与前一行不同的位置
dt[, shift_point := speaker != shift(speaker, fill = speaker[1])]

# 3. 生成轮次分组ID，再按说话人累计计数生成目标标签
dt[, group_id := cumsum(shift_point)]
dt[, goal := paste0(speaker, .GRP), by = .(speaker, group_id)]

# 移除中间辅助列（可选）
dt[, c("speaker", "shift_point", "group_id") := NULL]

# 查看最终结果
dt

方法2：使用dplyr #

library(dplyr)
library(tidyr)

df %>%
  # 1. 标记有效说话人，将"0"转为NA后向前填充
  mutate(speaker = ifelse(s == "0", NA, s)) %>%
  fill(speaker, .direction = "down") %>%
  # 2. 标记轮次切换点
  mutate(shift_point = speaker != lag(speaker, default = first(speaker))) %>%
  # 3. 生成轮次分组，按说话人计数生成目标标签
  mutate(group_id = cumsum(shift_point)) %>%
  group_by(speaker, group_id) %>%
  mutate(goal = paste0(speaker, cur_group_id())) %>%
  ungroup() %>%
  # 移除辅助列
  select(-speaker, -shift_point, -group_id)

核心原理 #

1. 向前填充（LOCF）：把无人发言的"0"绑定到前一个有效说话人，确保同一轮次的所有行（包括停顿）归属同一说话人。
2. 轮次切换识别：通过对比当前行与前一行的说话人，标记出每一轮次的起始点。
3. 轮次编号：对每个说话人的不同轮次分组进行独立计数，拼接成L1/R2格式的标签。

两种方法均为向量化操作，处理60万行数据仅需数秒，远优于for循环的效率。

内容的提问来源于stack exchange，提问作者Max