使用dplyr统计每个Id分组末尾连续NA值的简便方法

需求说明 #

按Id字段分组，仅当分组最后一个value值为NA时，统计末尾连续出现的NA数量，否则返回0。

示例数据 #

library(dplyr)
library(lubridate)

my_data <- tibble(Id =c(1,1,1,2,2,2),date = rep(seq.Date(ymd(20210101),ymd(20210103),by =1 ),2), value = c(5, NA, 4, 4, NA, NA))

预期输出 #

# A tibble: 2 × 2
     Id Result
  <dbl>  <dbl>
1     1      0
2     2      2

原有代码问题 #

你编写的代码使用了filter逻辑，会直接剔除最后一个值不为NA的分组（也就是示例中的Id=1），导致最终结果缺失对应行的0值。

推荐实现方法 #

方法1：rle逻辑判断实现（可读性高） #

在summarise内直接做条件判断，无需提前过滤分组：

my_data %>%
  group_by(Id) %>%
  arrange(date, .by_group = TRUE) %>% # 确保分组内按日期升序排列，避免数据顺序混乱影响结果
  summarise(Result = {
    na_vec <- is.na(value)
    # 分组最后一个值不为NA直接返回0
    if (!last(na_vec)) return(0)
    # 否则取rle结果最后一段的长度，即为末尾连续NA数量
    tail(rle(na_vec)$lengths, 1)
  })

方法2：向量运算实现（代码更简洁） #

利用cumprod的特性直接计算，无需额外条件判断：

my_data %>%
  group_by(Id) %>%
  arrange(date, .by_group = TRUE) %>%
  summarise(Result = sum(is.na(value) * rev(cumprod(rev(is.na(value))))))

两种方法都可以得到符合预期的输出结果。

内容的提问来源于stack exchange，提问作者Felipe