R语言创建分组唯一ID并按组内条件重编码ATM位置数据

核心处理步骤 #

• 分组ID生成：以address、terminal_id两个字段作为联合分组键，为每个唯一分组分配连续整数ID
• 正确值提取：每个分组内，筛选2019年1月1日之前的记录，提取非"Financial Institution"的取值作为该组点位类型的校正基准；如果组内2019年前无其他取值，则判定原始编码正确，不做修改
• 字段生成：新增location_corrected存储校正后的点位类型，新增location_changed标记该分组是否存在编码修正，修正过的组统一标记为"yes"，未修正标记为"no"

可运行代码 #

library(dplyr)
library(tibble)

# 读入原始数据
data <- tribble(
  ~address, ~date, ~terminal_id, ~location_type_description, 
  "1 GATEWAY DR OROMOCTO", "2017-01-01", "NC79", "Gas Station",
  "1 GATEWAY DR OROMOCTO", "2018-01-01", "NC79", "Gas Station",
  "1 GATEWAY DR OROMOCTO", "2019-11-01", "NC79", "Financial Institution",
  "1 GATEWAY DR OROMOCTO", "2020-01-01", "NC79", "Financial Institution",
  "1 GATEWAY DR OROMOCTO", "2020-12-01", "NC79", "Financial Institution"
) %>%
  mutate(across(date, as.Date))

# 执行清洗逻辑
data_clean <- data %>%
  group_by(address, terminal_id) %>%
  # 生成唯一分组ID
  mutate(group_identifier = cur_group_id()) %>%
  mutate(
    # 提取组内2019年前的正确类型，无符合条件值时保留原始类型
    ref_type = first(
      location_type_description[date < as.Date("2019-01-01") & location_type_description != "Financial Institution"],
      default = first(location_type_description)
    ),
    location_corrected = ref_type,
    # 判断是否存在修正：只要2019年后有记录和参考值不一致，就标记为已修改
    location_changed = ifelse(
      any(location_type_description[date >= as.Date("2019-01-01")] != ref_type),
      "yes",
      "no"
    )
  ) %>%
  ungroup() %>%
  select(-ref_type)

注意事项 #

若单个分组内2019年之前存在多种非"Financial Institution"的点位类型，上述代码默认取最早记录对应的类型作为校正基准，可根据实际业务规则调整first()函数的取值逻辑，比如取出现频次最高的类型。

内容的提问来源于stack exchange，提问作者dano_