如何在R语言中高效为年龄序列创建分类标识变量？

你已经迈出了关键的一步——用dplyr标记出了序列的中断点！接下来只需要对这些中断点做累加操作，就能得到想要的序列编号了，这里有两种简洁高效的实现方式：

方法一：基于你已有的brk变量优化 #

你的brk变量已经标记了序列中断的位置，但第一行因为没有前值所以是NA，我们只需要把第一行的brk设为1（因为它是第一个序列的起点），然后对brk做累加求和，就能得到连续的序列编号：

library(dplyr)

df <- data.frame(year = 1980:2000, age = c(40:45, 31:40, 32:36))

df <- df %>%
  mutate(
    brk = case_when(
      row_number() == 1 ~ 1,  # 第一个元素标记为新序列起点
      age - lag(age) != 1 ~ 1,
      TRUE ~ 0
    ),
    seq = as.character(cumsum(brk))  # 累加得到序列编号并转成字符型
  )

方法二：一步到位的极简写法 #

如果不想保留中间的brk变量，可以直接利用diff()函数计算相邻年龄的差值，结合cumsum()一步生成序列编号，代码更紧凑：

df <- df %>%
  mutate(seq = as.character(cumsum(c(1, diff(age) != 1))))

原理说明： #

• diff(age)会计算每一行与前一行的年龄差，diff(age) != 1会返回一个逻辑向量，标记所有序列中断的位置
• 我们在这个向量前面加一个1，因为第一个元素本身就是第一个序列的起点
• cumsum()会对这个向量累加求和：每遇到一个1（新序列起点），累加值就会加1，自然生成了连续的序列编号
• 最后用as.character()转换成你需要的字符类型

运行后得到的seq列就完全符合你的预期啦！

内容的提问来源于stack exchange，提问作者Antti