R语言：基于相对子集计算为data.table添加新列

看起来你想给data.table按userId分组，为每一行计算基于该用户当前行之前的子集数据的统计值对吧？这在data.table里用分组操作就能轻松实现，我结合你的示例数据给你演示几种常见的场景：

示例数据回顾 #

先把你的示例数据完整列出来方便参考：

library(data.table)
DT <- data.table(
  userId = c("user1", "user1", "user1", "user1", "user2", "user2", "user2", "user2", "user2"),
  topicId = rep("topic1", 9),
  attempt = c(1, 2, 3, 4, 1, 2, 3, 4, 5),
  score = c(50, 0, 50, 20, 20, 100, 100, 100, 100)
)

输出的数据集：

userId topicId attempt score
1:  user1  topic1       1    50
2:  user1  topic1       2     0
3:  user1  topic1       3    50
4:  user1  topic1       4    20
5:  user2  topic1       1    20
6:  user2  topic1       2   100
7:  user2  topic1       3   100
8:  user2  topic1       4   100
9:  user2  topic1       5   100

场景1：计算当前尝试之前的最高得分 #

比如想知道每个用户在当前这一次尝试之前，历史上拿到的最高分，代码如下：

DT[, prev_max_score := c(NA, cummax(score)[-.N]), by = userId]

解释一下：

• by = userId：按用户分组处理
• cummax(score)：计算累计最大值，会得到从第一个attempt到当前的最高分
• [-.N]：去掉每组的最后一个值，这样就得到了“到上一次尝试为止”的最大值
• c(NA, ...)：给每组的第一行（第一次尝试）补NA，因为第一次尝试没有之前的历史

运行后结果：

userId topicId attempt score prev_max_score
1:  user1  topic1       1    50             NA
2:  user1  topic1       2     0             50
3:  user1  topic1       3    50             50
4:  user1  topic1       4    20             50
5:  user2  topic1       1    20             NA
6:  user2  topic1       2   100             20
7:  user2  topic1       3   100            100
8:  user2  topic1       4   100            100
9:  user2  topic1       5   100            100

场景2：计算当前尝试之前的平均分 #

如果想算之前所有尝试的平均分，用类似的逻辑：

DT[, prev_avg_score := c(NA, (cumsum(score) - score)/seq_len(.N-1)), by = userId]

解释：

• cumsum(score) - score：得到当前行之前所有分数的总和
• seq_len(.N-1)：生成1到N-1的序列，作为分母（之前尝试的次数）
• 同样第一行补NA

结果：

userId topicId attempt score prev_max_score prev_avg_score
1:  user1  topic1       1    50             NA             NA
2:  user1  topic1       2     0             50            50.0
3:  user1  topic1       3    50             50            25.0
4:  user1  topic1       4    20             50            33.33333
5:  user2  topic1       1    20             NA             NA
6:  user2  topic1       2   100             20            20.0
7:  user2  topic1       3   100            100            60.0
8:  user2  topic1       4   100            100            73.33333
9:  user2  topic1       5   100            100            80.0

场景3：标记是否首次获得满分（假设满分100） #

如果想标记当前行是否是该用户第一次拿到满分：

DT[, first_perfect := (score == 100) & (cumsum(score == 100) == 1), by = userId]

解释：

• score == 100：判断当前分数是否是满分
• cumsum(score == 100)：累计当前用户拿到满分的次数
• 两者同时满足时，就是第一次拿到满分的行

结果：

userId topicId attempt score prev_max_score prev_avg_score first_perfect
1:  user1  topic1       1    50             NA             NA         FALSE
2:  user1  topic1       2     0             50            50.0         FALSE
3:  user1  topic1       3    50             50            25.0         FALSE
4:  user1  topic1       4    20             50            33.33333         FALSE
5:  user2  topic1       1    20             NA             NA         FALSE
6:  user2  topic1       2   100             20            20.0          TRUE
7:  user2  topic1       3   100            100            60.0         FALSE
8:  user2  topic1       4   100            100            73.33333         FALSE
9:  user2  topic1       5   100            100            80.0         FALSE

通用思路 #

其实核心就是利用data.table的分组（by参数），结合累计函数（cumsum、cummax、cummin等）或者手动截取子集（比如用.I索引）来处理“当前行之前的子集”。如果你的需求是更复杂的自定义计算，还可以用shift()函数，比如：

# 用shift获取上一次尝试的分数
DT[, last_score := shift(score), by = userId]

shift()函数可以轻松获取组内的前n行数据，非常灵活。

内容的提问来源于stack exchange，提问作者U W