R语言补全数据集缺失年份行 统计F1车手各年累计夺冠数

问题场景 #

• 运行环境：R语言，使用jsonlite包调用Ergast API采集1950年至今的F1积分榜数据，已完成基础数据清洗
• 现有进展：已完成夺冠车手的初步累计值计算，但目前数据集仅保留了车手夺冠赛季的记录，缺少非夺冠赛季、非夺冠车手的对应行
• 目标需求：转换数据集，保证每个赛季、每位车手都有对应的cum_seasons_won（累计夺冠赛季数）字段值
  • 规则示例1：1950年首个赛季，除当年冠军Nino Farina外，其余所有车手的cum_seasons_won值为0
  • 规则示例2：截至数据集最新赛季，Juan Fangio的cum_seasons_won值应为5（对应其5次总冠军的历史成绩）
• 数据集样例：
  
• 测试数据复现：可通过如下dput代码加载测试用样本数据

structure(list(full_name = c("Nino Farina", "Juan Fangio", "Alberto Ascari", 
"Alberto Ascari", "Juan Fangio", "Juan Fangio"), season_year = structure(c(-7305, 
-6940, -6575, -6209, -5844, -5479), class = "Date"), season_won = c(1, 
1, 1, 1, 1, 1), cum_seasons_won = c(1, 1, 1, 2, 2, 3)), class = c("grouped_df", 
"tbl_df", "tbl", "data.frame"), row.names = c(NA, -6L), groups = structure(list(
    full_name = c("Alberto Ascari", "Juan Fangio", "Nino Farina"
    ), .rows = structure(list(3:4, c(2L, 5L, 6L), 1L), ptype = integer(0), class = c("vctrs_list_of", 
    "vctrs_vctr", "list"))), class = c("tbl_df", "tbl", "data.frame"
), row.names = c(NA, -3L), .drop = TRUE))

注：因不清楚该类数据转换操作的标准术语，问题表述可能存在不严谨之处

实现代码 #

优先使用dplyr+tidyr的tidyverse语法实现，逻辑简洁易读：

library(dplyr)
library(tidyr)

# 假设原始清洗后的数据集命名为f1_raw，包含字段：
# full_name: 车手姓名
# season_year: 赛季年份（Date格式）
# season_won: 当赛季是否夺冠，1=夺冠，0=未夺冠

f1_processed <- f1_raw %>%
  # 生成所有赛季、所有车手的全量交叉组合，缺失的未夺冠记录自动补全
  complete(season_year, full_name, fill = list(season_won = 0)) %>%
  # 按车手分组，按赛季升序排序
  group_by(full_name) %>%
  arrange(season_year, .by_group = TRUE) %>%
  # 逐赛季累计夺冠次数
  mutate(cum_seasons_won = cumsum(season_won)) %>%
  ungroup()

逻辑说明 #

• 核心是先补全所有「赛季-车手」组合，解决原始数据只有夺冠记录、缺失非夺冠条目导致累计值无法对齐所有行的问题
• complete()函数会自动遍历所有出现过的赛季、所有出现过的车手生成全配对，未夺冠的赛季默认将season_won填充为0
• 分组排序后用cumsum()做累计求和：未夺冠赛季累计值和上一赛季持平，夺冠赛季累计值+1，完全匹配需求
• 测试样例验证：样本数据中Juan Fangio共出现3次夺冠记录，运行后其最后一条记录累计值为3，和样本逻辑一致；替换为全量数据后会正确计算到5次的累计值

替代方案（无tidyr依赖） #

如果不想加载tidyr，也可以用base R生成全量组合后合并，逻辑完全一致：

# 生成所有赛季+车手的组合
all_combo <- expand.grid(
  season_year = unique(f1_raw$season_year),
  full_name = unique(f1_raw$full_name)
)
# 合并原始数据
f1_merged <- merge(all_combo, f1_raw, by = c("season_year", "full_name"), all.x = TRUE)
f1_merged[is.na(f1_merged$season_won), "season_won"] <- 0
# 排序计算累计值
f1_merged <- f1_merged[order(f1_merged$full_name, f1_merged$season_year), ]
f1_merged$cum_seasons_won <- ave(f1_merged$season_won, f1_merged$full_name, FUN = cumsum)

内容的提问来源于stack exchange，提问作者moritz