R中为连续同occ值分组新增首末nuc对应start/stop列的高效方法

现有包含nuc、occ两个变量的数据框tel2，需要实现以下计算逻辑：

• 新增start变量：识别所有连续相同occ值构成的独立序列，取每个序列第一行对应的nuc值，作为该序列所有行的start取值
• 新增stop变量：针对上述连续相同occ值的独立序列，取每个序列最后一行对应的nuc值，作为该序列所有行的stop取值

注意：若同一occ值存在多段被其他值打断的不连续序列，需按独立分段分别计算，不可跨段合并。直接使用group_by(occ)分组无法识别非连续分段，不能满足需求。由于真实数据集规模达1000万行，需要优先选择运行效率足够高的实现方案。

测试数据构造代码 #

tel=data.frame(aa=c(153,113,163,117,193,162,110,109,186,103),
               bb=c(189,176,185,130,200,189,156,123,198,189),
               ID=c("A", "B", "C", "D", "E", "F", "G", "H", "I", "J"))
nuc2=100:200
library(data.table)
tel2=as.data.frame(setDT(tel)[SJ(v=nuc2), on=.(aa<=v, bb>=v)][,.(occ = sum(!is.na(ID))), by=.(nuc=aa)])

核心逻辑是先为每段连续相同的occ生成唯一分组ID，再按分组取首尾nuc值即可。data.table底层为C实现，内存占用低、计算速度快，是千万行级数据的首选方案。

# 确保数据为data.table格式
setDT(tel2)

# 一行代码完成计算
tel2[, `:=`(start = first(nuc), stop = last(nuc)), by = .(grp = rleid(occ))]

• 关键函数rleid(occ)是data.table内置的连续序列分组函数，每当occ值和上一行不同时就生成新的分组ID，天然解决相同值非连续的分段问题。
• 计算完成后分组IDgrp不会实际写入数据框，无需额外删除字段。

结果验证 #

计算完成后取前29行查看结果：

> head(tel2, 29)
    nuc occ start stop
 1: 100   0   100  102
 2: 101   0   100  102
 3: 102   0   100  102
 4: 103   1   103  108
 5: 104   1   103  108
 6: 105   1   103  108
 7: 106   1   103  108
 8: 107   1   103  108
 9: 108   1   103  108
10: 109   2   109  109
11: 110   3   110  112
12: 111   3   110  112
13: 112   3   110  112
14: 113   4   113  116
15: 114   4   113  116
16: 115   4   113  116
17: 116   4   113  116
18: 117   5   117  123
19: 118   5   117  123
20: 119   5   117  123
21: 120   5   117  123
22: 121   5   117  123
23: 122   5   117  123
24: 123   5   117  123
25: 124   4   124  130
26: 125   4   124  130
27: 126   4   124  130
28: 127   4   124  130
29: 128   4   124  130

注：你给出的示例输出中14-17行start=103、25-29行stop=128属于笔误，按连续段逻辑，113-116为独立的occ=4段，首行nuc为113；124-130为occ=4段，尾行nuc为130。

如果习惯使用dplyr语法，可通过cumsum手动生成分组ID实现，但该方案速度比data.table慢3-5倍，内存占用更高，千万行数据运行时间较长：

library(dplyr)
tel2 <- tel2 %>%
  mutate(grp = cumsum(occ != lag(occ, default = first(occ)))) %>%
  group_by(grp) %>%
  mutate(start = first(nuc), stop = last(nuc)) %>%
  ungroup() %>%
  select(-grp)

内容的提问来源于stack exchange，提问作者Aurelia Kurtis