R语言如何基于多列值筛选特定行 提取样地初末测量数据

• 不推荐手写for或foreach循环处理这类分组提取场景：手写循环需要手动维护分组索引、处理边界异常，代码冗余易出错，性能也远低于专门为分组计算优化的工具，尤其是处理十万行以上的大型数据集时差距明显。
• 适配这类固定样地连续复测数据处理的首选工具是dplyr包，千万行级超大数据集可以选用data.table包，两个工具都内置成熟的分组计算逻辑，不需要手动编写循环，代码简洁易维护，运行效率高。

数据中单个样地由State、County、Plot三个字段共同唯一确定，同个样地的多条复测记录里，Measured_year最小值对应的记录为Time1初始测量，最大值对应的记录为Time2最终测量，按样地分组后按年份排序，直接提取首尾记录的目标字段即可，还可以同步计算间隔期生长量指标。

# 1. 加载工具包，首次使用请先运行 install.packages("dplyr")
library(dplyr)

# 2. 读取数据集，替换为你自己的读入代码即可，比如read.csv("你的数据路径.csv")
df <- data.frame(
  State = c(1,2,1,2,2,2),
  County = c(1,1,1,1,1,1),
  Plot = c(1,2,1,1,1,2),
  Measured_year = c(2006,2007,2009,2005,2010,2013),
  basal_area = c(10,20,30,40,50,60),
  tph = c(10,20,30,40,50,60)
)

# 3. 分组提取目标值
growth_result <- df %>%
  # 按样地唯一标识分组
  group_by(State, County, Plot) %>%
  # 组内按测量年份升序排序，保证首尾值对应正确的时间节点
  arrange(Measured_year, .by_group = TRUE) %>%
  # 提取初始、终测值，同步计算生长量相关指标
  summarise(
    Time1_year = first(Measured_year),
    Time1_basal_area = first(basal_area),
    Time1_tph = first(tph),
    Time2_year = last(Measured_year),
    Time2_basal_area = last(basal_area),
    Time2_tph = last(tph),
    interval_years = Time2_year - Time1_year,
    basal_area_total_growth = Time2_basal_area - Time1_basal_area,
    tph_total_growth = Time2_tph - Time1_tph,
    .groups = "drop"
  )

如果数据量达到千万行级别，可以换用性能更高的data.table实现，逻辑完全一致：

# 首次使用请先运行 install.packages("data.table")
library(data.table)
# 转换数据为data.table格式，替换为你的数据读入路径即可
setDT(df)
growth_result_dt <- df[order(Measured_year),
                       .(Time1_year = first(Measured_year),
                         Time1_basal_area = first(basal_area),
                         Time1_tph = first(tph),
                         Time2_year = last(Measured_year),
                         Time2_basal_area = last(basal_area),
                         Time2_tph = last(tph),
                         interval_years = Time2_year - Time1_year,
                         basal_area_total_growth = Time2_basal_area - Time1_basal_area,
                         tph_total_growth = Time2_tph - Time1_tph),
                       by = .(State, County, Plot)]

注意：如果存在同个样地同一年份有多条测量记录的异常情况，需要先去重再运行上述代码，否则会默认取排序后的第一条记录。如果需要指定特定时间范围的初始终测（比如只取2005-2010年区间的测量），在分组前加一行filter(Measured_year >= 2005, Measured_year <=2010)即可。

内容的提问来源于stack exchange，提问作者sakar299