R语言中存在NA值时生成run-length id的更优实现方法

优化实现方案 #

这里提供几种更简洁、性能更优的实现，适配不同使用场景：

1. 单次mutate极简版（兼容你原有的逻辑）

你原来的两次mutate可以合并为一次，减少不必要的列计算，大数据量下性能提升明显，输出结果完全一致：

library(dplyr)
cats = c("q_x", "q_2", "q_xyz")
df %>%
  mutate(Sequ = if_else(is.na(Q), NA_integer_, cumsum(Q %in% cats)))

这里用dplyr自带的if_else替代base R的ifelse，可以保证整数类型稳定，避免隐式类型转换的潜在问题。

2. 通用无依赖版（无需预定义cats）

如果你不需要绑定Q列的特定枚举值，只需要为Sequ列的非NA连续序列生成id，可以用rle（游程编码）实现通用逻辑，不依赖任何外部包：

# 纯base R实现
r <- rle(!is.na(df$Sequ))
df$Sequ <- replace(rep(cumsum(r$values) * r$values, r$lengths), r$values == 0, NA)

如果要保留dplyr写法也可以调整为：

df %>%
  mutate(Sequ = with(rle(!is.na(Sequ)), rep(cumsum(values) * values, lengths)) %>% 
           replace(. == 0, NA))

3. 超大数据高性能版（data.table实现）

如果处理百万级以上的数据集，用data.table的实现速度是dplyr方案的2-3倍：

library(data.table)
cats = c("q_x", "q_2", "q_xyz")
setDT(df)[, Sequ := fcase(is.na(Q), NA_integer_, default = cumsum(Q %in% cats))]

内容的提问来源于stack exchange，提问作者Chris Ruehlemann