R语言中如何为重复列值分配随start值递增的唯一值

实现思路 #

• 逐行扫描数据集，每检测到一个新的非空start值，全局ID计数器加1，同时记录该区间对应的end边界
• 匹配每一行所属的start-end区间，给区间内的行分配对应ID
• 校验特殊规则：obj列为空且不在任何start-end区间内的行，ID强制置空

基于tidyverse的实现（推荐） #

先安装加载依赖（已安装可跳过安装步骤）：

install.packages("tidyverse")
library(tidyverse)

假设原始数据存储为数据框df，直接运行以下代码即可得到结果：

df <- df %>%
  mutate(row_num = row_number()) %>%
  # 识别start位置，生成递增的基础分组ID
  mutate(
    is_new_group = !is.na(start),
    base_id = cumsum(is_new_group),
    current_end = ifelse(is_new_group, end, NA_real_)
  ) %>%
  # 向下填充每个分组对应的end值
  fill(current_end, .direction = "down") %>%
  # 定位每个分组的起止行号
  group_by(base_id) %>%
  mutate(
    group_start = min(row_num),
    group_end = min(row_num[!is.na(end) & end == current_end])
  ) %>%
  ungroup() %>%
  # 生成最终ID，同时适配特殊空值规则
  mutate(
    ID = ifelse(row_num >= group_start & row_num <= group_end, base_id, NA),
    ID = ifelse(is.na(obj) & is.na(ID), NA, ID)
  ) %>%
  # 移除中间辅助列
  select(-row_num, -is_new_group, -base_id, -current_end, -group_start, -group_end)

Base R 无依赖实现 #

不想安装第三方包的话，可以直接运行以下base R代码：

n <- nrow(df)
df$ID <- NA_integer_
current_id <- 0L
current_group_end <- 0L

for (i in seq_len(n)) {
  # 遇到新start，ID递增，定位对应end的行位置
  if (!is.na(df$start[i])) {
    current_id <- current_id + 1L
    # 向下查找当前start对应的最近非空end行
    end_match_pos <- which(!is.na(df$end) & seq_len(n) >= i & df$end == df$end[i])
    current_group_end <- min(end_match_pos)
  }
  # 区间内行赋对应ID
  if (i <= current_group_end && current_id > 0) {
    df$ID[i] <- current_id
  }
  # 特殊规则：obj为空且不在任何区间的行保持ID为空
  if (is.na(df$obj[i]) && i > current_group_end) {
    df$ID[i] <- NA_integer_
  }
}

注意事项 #

• 两种实现都严格遵循“新start触发ID+1”的规则，即使start值重复，只要是新的区间起始行，ID都会正常递增
• 如果数据中存在end值重复的情况，优先使用tidyverse版本，区间匹配精度更高，不会出现跨组错配
• 所有不在任何start-end区间内、且obj为空的行，最终ID都会返回空值，符合要求

内容的提问来源于stack exchange，提问作者Rudolf Nyitray