dplyr处理storms数据集：按风暴最高等级高效拆分数据框

核心思路是先按风暴名称分组，计算每个风暴生命周期内的最高强度，再按最高强度批量拆分数据集，不需要反复执行半连接、反连接的排除操作，代码更简洁，运行效率也更高。 #

基于status字段的高效实现 #

首先明确三类status的强度从低到高顺序为：热带低压（tropical depression）< 热带风暴（tropical storm）< 飓风（hurricane），先给每个状态匹配对应强度权重，再分组取每个风暴的最高强度状态即可。

library(dplyr)

# 定义状态强度权重，数值越大强度越高，若数据集包含其他状态可按顺序补充
status_weight <- c(
  "tropical depression" = 1,
  "tropical storm" = 2,
  "hurricane" = 3
)

# 计算每个风暴的最高强度状态
storm_peak_status <- storms_19_20_21.df %>%
  mutate(score = status_weight[status]) %>%
  group_by(name) %>%
  summarise(peak_status = status[which.max(score)], .groups = "drop")

# 批量拆分生成独立数据框
status_split_df <- storm_peak_status %>%
  left_join(storms_19_20_21.df, by = "name") %>%
  group_by(peak_status) %>%
  group_split(.keep = FALSE)

# 为拆分后的数据框命名并加载到环境中
names(status_split_df) <- c("tropical_depression_data.df", "tropical_storm_data.df", "hurricane_data.df")
list2env(status_split_df, envir = .GlobalEnv)

该写法相比原多步排除逻辑减少了多次表连接操作，后续如果需要新增状态分类，仅需在status_weight中补充对应权重即可，无需调整后续拆分逻辑。

基于category字段的实现 #

category字段本身就是数值型强度标识：-1代表热带低压、0代表热带风暴、1-5代表不同等级的飓风，数值越高强度越大，无需手动定义权重，计算逻辑更简单。
如果需要和之前一样拆分为热带低压、热带风暴、飓风三类数据框，代码如下：

# 计算每个风暴的最高等级分类
storm_peak_cat <- storms_19_20_21.df %>%
  group_by(name) %>%
  summarise(peak_cat = max(category, na.rm = TRUE), .groups = "drop") %>%
  mutate(
    storm_type = case_when(
      peak_cat == -1 ~ "tropical_depression_data.df",
      peak_cat == 0 ~ "tropical_storm_data.df",
      peak_cat >= 1 ~ "hurricane_data.df"
    )
  )

# 批量拆分生成独立数据框
cat_split_df <- storm_peak_cat %>%
  left_join(storms_19_20_21.df, by = "name") %>%
  group_by(storm_type) %>%
  group_split(.keep = FALSE)

names(cat_split_df) <- unique(storm_peak_cat$storm_type)
list2env(cat_split_df, envir = .GlobalEnv)

如果需要将飓风按1-5级拆分为更细的独立数据框，仅需调整case_when中的分类规则即可，核心逻辑无需改动。 #

结果校验 #

可运行以下代码对比新方法生成的数据集和原多步排除法的结果，三个校验语句均返回TRUE即代表结果完全一致：

# 对比飓风数据集行数
identical(nrow(hurricane_data.df), nrow(semi_join(storms_19_20_21.df, distinct(filter(storms_19_20_21.df, status=="hurricane"), name), by = "name")))
# 对比热带风暴数据集行数
identical(nrow(tropical_storm_data.df), nrow(semi_join(storms_19_20_21.df, anti_join(distinct(filter(storms_19_20_21.df, status=="tropical storm"), name), distinct(filter(storms_19_20_21.df, status=="hurricane"), name), by = "name"), by = "name")))
# 对比热带低压数据集行数
identical(nrow(tropical_depression_data.df), nrow(anti_join(anti_join(storms_19_20_21.df, distinct(filter(storms_19_20_21.df, status=="hurricane"), name), by = "name"), distinct(filter(storms_19_20_21.df, status=="tropical storm"), name), by = "name")))

内容的提问来源于stack exchange，提问作者dragonmctt