R中基于系谱数据计算每个个体直系后代的平均出生年份

• 需求核心是统计每个个体的直接子女数量、子女出生年份平均值，无需递归遍历深层的孙代、曾孙代等后裔，和pedigree包countOff统计全层级后裔的逻辑完全不同，计算量更小。
• 具体执行逻辑：
  1. 修正原代码的笔误：原构造数据时写的dataframe是R语法错误，正确函数为data.frame
  2. 把每个孩子记录中的母亲ID、父亲ID统一转为“个体-子女”的配对长表，剔除父母ID缺失的无效记录
  3. 按父母ID分组，分别计算组内的子女数、子女出生年份的平均值
  4. 将统计结果按ID匹配回原数据框，无子女的个体后代数记为0，平均出生年份记为NA

# 正确构造原始数据集
ID <- 1:30
MomID <- c(NA, NA, NA, NA, NA, NA, NA, NA, NA, 1,2,1,2,6,8,6,10,11,13,16,19,16,13,16,20,19,16,19,20,23)
DadID <- c(NA, NA, NA, NA, NA, NA, NA, NA, NA,3,4,5,5,7,4,9,7,7,14,18,7,15,18,18,17,21,14,18,21,17)
Birthyear <- c(1975, 1975, 1976, 1977, 1977, 1977, 1977, 1978, 1978, 1980, 1981, 1982, 1982, 1984, 1984, 1985, 1985, 1985, 1988, 1989, 1990, 1990, 1991, 1992, 1993, 1993, 1993, 1995, 1995, 1996)
df <- data.frame(ID, MomID, DadID, Birthyear)

# 构造统一的父母-子女配对长表
parent_child_pairs <- rbind(
  data.frame(parent_id = df$MomID, child_birth_year = df$Birthyear),
  data.frame(parent_id = df$DadID, child_birth_year = df$Birthyear)
) |> na.omit() # 剔除无有效父母ID的记录

# 分组统计每个个体的直系后代数、后代平均出生年份
offspring_stats <- aggregate(
  child_birth_year ~ parent_id,
  data = parent_child_pairs,
  FUN = function(x) {
    c(
      direct_offspring_n = length(x),
      avg_offspring_birthyear = round(mean(x), 2)
    )
  }
)
# 把聚合生成的矩阵列拆分为普通数值列
offspring_stats <- data.frame(
  parent_id = offspring_stats$parent_id,
  offspring_stats$child_birth_year
)

# 匹配回原数据框
df <- merge(
  df,
  offspring_stats,
  by.x = "ID",
  by.y = "parent_id",
  all.x = TRUE
)
# 无后代的个体后代数补为0
df$direct_offspring_n[is.na(df$direct_offspring_n)] <- 0

举个可直接验证的实例：

• 个体ID=1，对应的子女是ID=10（母=1，出生年1980）、ID=12（母=1，出生年1982），统计结果为direct_offspring_n=2，avg_offspring_birthyear=1981
• 对比countOff的结果：该函数会把ID=10的子女ID=17也统计为个体1的后裔，总计3个后代，和我们的统计逻辑形成明确区分，完全匹配仅统计直系子女的需求。
• 该方法的计算效率远高于递归遍历家谱的方式，哪怕扩展到上万条个体的数据集也不会出现运行卡顿。

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