如何用dplyr实现类Excel逐行引用上值的条件累加计算连续类别累计天数

dplyr的普通mutate是矢量化计算，所有表达式的输入都是计算前的原始列值，不会逐行递归引用刚生成的结果列，因此直接写lag(result)的写法无法实现Excel式的单元格逐行引用更新。之前的分组尝试失效，是因为直接按分类值本身分组，没有识别「相邻连续同分类的块」，导致分类中断后再次出现时无法重置累计值。

核心思路：

• 先为每一段连续出现的同分类标记唯一的块ID（分类切换就开新块，和分类本身是什么值无关）
• 按块ID分组，组内逐行计算和上一行的日期差，再对差值做组内累计和，天然实现「块开头重置为0，连续同分类时累加差值」的逻辑

实现代码 #

library(tidyverse)
library(lubridate)

set.seed(33)
# 构造测试数据
date <- rep(ymd(20200131), 20)
for (i in 2:length(date)){
  date[i] <- date[i-1]+7*sample(1:5, 1)
}
user <- c(rep("A",3), "B", rep("C",4), rep("B",5), rep("A", 6), "B")
df <- data.frame(date, user)

# 参考基准（原for循环的计算结果）
df$desired_result <-0
for (i in 2:nrow(df)){
  if (df[i, "user"] != df[i-1, "user"]) df[i, "desired_result"] <- 0
  else df[i, "desired_result"] <- as.integer(df[i, "date"] - df[i-1, "date"]) + df[i-1, "desired_result"] 
}

# dplyr实现版本
result_df <- df %>%
  as_tibble() %>%
  # 生成连续块ID：dplyr >=1.1.0 可直接用 consecutive_id()
  mutate(block_id = consecutive_id(user)) %>%
  # 兼容旧版dplyr的块ID写法：
  # mutate(block_id = cumsum(user != lag(user, default = first(user))))
  group_by(block_id) %>%
  mutate(
    # 计算组内每行和上一行的日期差，第一行无差值则记为0
    day_diff = as.integer(date - lag(date)),
    # 组内累计差值，得到连续时长
    result = cumsum(replace_na(day_diff, 0))
  ) %>%
  ungroup()

结果校验 #

运行后对比desired_result和result列，值完全一致：

result_df %>% select(date, user, desired_result, result)
# A tibble: 20 x 4
   date       user  desired_result result
   <date>     <chr>          <dbl>  <dbl>
 1 2020-01-31 A                  0      0
 2 2020-03-06 A                 35     35
 3 2020-04-03 A                 63     63
 4 2020-04-10 B                  0      0
 5 2020-04-17 C                  0      0
 6 2020-05-08 C                 21     21
 7 2020-05-29 C                 42     42
 8 2020-06-26 C                 70     70
 9 2020-07-03 B                  0      0
10 2020-07-10 B                  7      7
11 2020-07-24 B                 21     21
12 2020-08-28 B                 56     56
13 2020-09-18 B                 77     77
14 2020-10-02 A                  0      0
15 2020-10-09 A                  7      7
16 2020-10-23 A                 21     21
17 2020-11-06 A                 35     35
18 2020-11-13 A                 42     42
19 2020-11-20 A                 49     49
20 2020-12-04 B                  0      0

• 不要直接按user字段分组：同一个分类被其他分类打断后再次出现，会被分到同一个组，累计值不会重置，完全不符合需求。
• 不要在mutate中直接写递归引用lag(result)：dplyr的mutate是整列矢量计算，不会逐行更新结果列，引用未生成的列会直接报错，引用初始化后的列也只会拿到原始的固定值，无法逐行迭代累计。
• 块ID生成的核心逻辑：只要当前行和上一行的分类值不同，就给块ID加1，和分类值本身没有关系，用这个逻辑不管分类顺序怎么变，都能正确识别连续段。

如果后续的累计逻辑不是简单的累加日期差（比如需要结合上一步的累计值做阈值判断、指数加权计算等），可以搭配purrr包的accumulate()函数实现无循环的逐行递推，属于tidyverse生态的统一写法，不需要写自定义for循环。

内容的提问来源于stack exchange，提问作者m7s