R语言中按组大小而非字母序生成枚举组序号的方法
问题本质
你提到的group_indices() 默认行为是:先对分组键的所有唯一值按自然规则(字符串按字典序、缺失值按固定排序位置)排序,再给排序后的结果分配连续组号,完全不遵循原始数据中分组值的首次出现顺序,才会出现组号错位的问题。
正确实现方案
以下三种方法都可以得到你预期的组号序列c(1,1,2,2,3,3...):
- 改造
group_indices()调用逻辑,按原始出现顺序生成组号
把分组键转换为按首次出现顺序定义的因子,打断group_indices()的默认排序行为:
代码逻辑说明:因子水平直接取library(dplyr) df <- df %>% mutate( group_id = group_indices( ., across(s_do_h_patients_state, ~factor(.x, levels = unique(.x))) ) )s_do_h_patients_state的唯一值按数据首次出现的顺序,没有按字母重排的过程,group_indices()会直接按因子水平顺序分配组号,最终得到的group_id就是c(1,1,2,2,3,3,4,4,5,5),完全匹配连续两行对应同一组的预期。 - 不依赖
group_indices()的逐行判断法
逐行判断当前行的分组键和上一行是否一致,不一致就触发组号累加,尤其适合分组连续出现、无穿插的场景,要注意对NA值的安全相等判断:
说明:df <- df %>% mutate( group_id = cumsum( row_number() == 1 | !dplyr::`%==%`(s_do_h_patients_state, lag(s_do_h_patients_state)) ) )dplyr::%==%是安全相等运算符,连续的两个NA值比较会返回TRUE,不会出现NA值组被误判拆分的问题。 - 最简洁的专用函数法
直接使用data.table包的rleid(),该函数天生用于给连续出现的同值块分配序号,全程不做任何排序操作,对字符串、数值、NA值都有正确的识别能力:library(data.table) df$group_id <- rleid(df$s_do_h_patients_state)
避坑提醒
- 不要直接运行
df %>% group_by(s_do_h_patients_state) %>% group_indices(),这个写法得到的组号是按字母序分配的:IL=1、MN=2、NC=3、NA组=4、UT=5,和你的预期顺序完全错位。 - 定义因子水平时必须用
unique(.x)取原始出现顺序,不要使用factor()的默认排序规则,否则还是会出现组号错位。
内容的提问来源于stack exchange,提问作者Omry Atia
相关产品推荐
相关产品推荐

