如何高效计算各order_id对应的basket size并写入原数据表

• 匹配逻辑完全错误：你写的if (data5$order_id[i] != vec$Var1[j])判断条件完全写反，应该是两个id相等的时候才对应赋值，而且内层循环没有跳出逻辑，每行会被反复覆盖赋值，最终只会保留循环到最后一个j时的匹配结果，自然计算结果全部错误。
• 执行效率极低：双层循环的时间复杂度是O(原表行数 * 唯一订单数)，数据量过万之后运行耗时会指数级上升，完全不适合结构化数据的分组计算场景。
• 统计逻辑不符合需求：你需求明确说明basket size是同一个order_id下product_number_within_order字段的最大值，你当前用order_id出现次数统计的逻辑，仅在product_number_within_order连续无缺失时结果一致，一旦存在商品记录删除、序号跳变的场景，统计结果就会出错。

R本身已经内置了大量优化过的分组计算函数，不需要手动写循环匹配，以下三种方案都可以快速完成需求，效率比双层循环高数百倍：

基础R实现（无需安装第三方包） #

# 按order_id分组，取每组product_number_within_order的最大值作为basket size
data5$basketsize <- ave(data5$product_number_within_order, data5$order_id, FUN = max)

如果确认要按订单记录数统计basket size，把上述代码的FUN = max换成FUN = length即可。

dplyr实现（适合tidyverse技术栈用户） #

library(dplyr)
data5 <- data5 %>%
  group_by(order_id) %>%
  mutate(basketsize = max(product_number_within_order)) %>%
  ungroup()

data.table实现（适合百万级以上大数据量场景，速度最快） #

library(data.table)
# 转换为data.table格式
setDT(data5)
# 分组计算并直接新增字段
data5[, basketsize := max(product_number_within_order), by = order_id]

内容的提问来源于stack exchange，提问作者Estelle