R语言为dataframe按连续时间段分组添加正确索引列

你之前用的dense_rank(gp)是对gp列的所有取值做全局排序编号，完全不考虑记录的先后顺序和连续出现逻辑，因此所有取值为group1的记录都会被分配同一个编号，无法区分被其他分组打断的非连续同组时段。

要实现连续同组段的独立索引，核心逻辑是按行顺序判断当前行的分组是否和上一行不同，每发生一次分组切换，索引值加1，两种常用实现方式如下：

方法1：使用rleid()（最简便） #

data.table包的rleid()函数是专门为「连续相同值生成序列id」设计的，和需求完全匹配，直接调用即可：

library(tidyverse)
library(data.table)

# 构造示例数据
date<-as.Date(c('2022-05-02','2022-05-09', '2022-05-16', '2022-05-23', '2022-05-30','2022-06-06','2022-06-13','2022-06-20'))
gp<-c( "group1","group1", "group2","group2","group3","group3","group1","group1")
index<-c(1,1,2,2,3,3,4,4)
data<-data.frame(date,gp,index, stringsAsFactors = FALSE)

# 生成正确索引
data <- data %>%
  mutate(correct_index = rleid(gp))

运行后correct_index列的值和预期的index列完全一致。

方法2：纯dplyr实现（无需额外加载包） #

如果不想依赖data.table，可以用lag()取上一行分组值，配合cumsum()累加分组切换的次数实现：

data <- data %>%
  # 若数据未按日期排序，先执行 arrange(date) 保证顺序正确
  mutate(correct_index = cumsum(gp != lag(gp, default = first(gp))) + 1)

逻辑说明：

• lag(gp, default = first(gp))：取上一行的分组值，第一行没有上一行时默认取第一行的分组值，避免出现NA
• gp != lag(...)：判断当前行分组是否和上一行不同，不同返回TRUE（等价于数值1），相同返回FALSE（等价于数值0）
• cumsum() + 1：对上述判断结果累加，每发生一次分组切换计数加1，初始值从1开始计数，最终得到每个连续段的独立索引

生成索引前必须保证数据是按时间顺序排列的，否则连续段的判断会出错，若原始数据未排序，在mutate前加arrange(date)即可。

内容的提问来源于stack exchange，提问作者Basil