按ID组合为tibble/dataframe新增行：tidy tibble类时间序列操作实现

你不需要使用专门的时间序列对象，基于tidyverse的原生功能就可以满足需求，有两种常用的实现思路，适配不同使用场景：

首先第一步先做数据预处理，你提供的示例数据中Year和Emissions均为字符格式，需要先转为数值类型才能参与计算：

library(tidyverse)

# 转换数据类型
Emissions <- Emissions %>%
  mutate(
    Year = as.integer(Year),
    Emissions = as.numeric(Emissions)
  )

方法1：宽表转换法（和Excel操作逻辑一致，最直观） #

如果你只需要固定计算2035年的排放值，直接转宽表取数计算的逻辑最不容易出错，和你在Excel里按年份列计算的逻辑完全一致：

Emissions_updated <- Emissions %>%
  # 按部门+区域分组，每个组独立计算
  group_by(Sector, CountryOrRegion) %>%
  # 转宽表，每列对应一个年份的排放值
  pivot_wider(names_from = Year, values_from = Emissions) %>%
  # 按你给出的公式计算2035年排放
  mutate(`2035` = `2030` + (`2030` - `2025`)) %>%
  # 转回tidy长表格式
  pivot_longer(cols = `2025`:`2035`, names_to = "Year", values_to = "Emissions") %>%
  ungroup()

方法2：通用滞后算子法（适合多时间点、批量计算场景） #

如果需要实现通用的“滞后算子”功能，不用转宽表，直接用dplyr原生的lag()函数即可，只要分组后按年份排序，就能实现按组取滞后N期的值：

# 通用滞后计算示例：取每个分组5年前的排放值、计算5年增量
Emissions %>%
  group_by(Sector, CountryOrRegion) %>%
  arrange(Year) %>%
  mutate(
    # n=1代表取当前行的上一行（即5年前）的排放值
    lag_5y_Emissions = lag(Emissions, n = 1),
    delta_5y = Emissions - lag_5y_Emissions
  )

# 基于通用滞后逻辑生成2035年的新行
Emissions_updated <- Emissions %>%
  group_by(Sector, CountryOrRegion) %>%
  arrange(Year) %>%
  # 计算最新的5年增量
  mutate(delta = last(Emissions) - lag(last(Emissions))) %>%
  # 给每个分组新增2035年的行
  group_modify(~ add_row(.x, Year = 2035, Emissions = last(.x$Emissions) + first(.x$delta))) %>%
  select(-delta) %>%
  ungroup()

补充说明 #

• 以上两种方法输出的结果都和你给出的期望格式一致，不需要额外转换为xts、ts等专门的时间序列对象
• 如果你后续需要做更复杂的时间序列建模（如时序预测、季节性检验等），可以使用tsibble这类tidy时序对象，完全兼容dplyr的操作语法，学习成本很低
• 如果需要扩展到计算2040、2045等更多年份的数据，只需要在方法2的逻辑基础上循环迭代即可，不需要修改核心计算规则

内容的提问来源于stack exchange，提问作者Stephen Stretton