如何在R的tidy数据集里对多分组变长数据做变换/重采样/插值归一化？

问题回顾 #

你想要对每个id, event组内的sub_event序列进行重采样，让所有sub_event的长度等于该组内最长sub_event的长度，但运行尝试代码时出现了以下错误：

Error in mutate_impl(.data, dots) : 列var1必须为190（分组大小）或1，而非110
In addition: Warning messages:
1: In if (n <= 0) stop("'approx' requires n >= 1") : 条件长度大于1，仅使用第一个元素
2: In seq.int(x[1L], x[nx], length.out = n) : 'length.out'参数仅使用第一个元素

问题原因分析 #

这个错误的核心是分组层级与mutate的工作逻辑不匹配：

• 当你按id, event分组后，每个分组包含两个sub_event的所有行（共190行），而approx(var1, n = max_sub_event_time)$y生成的是长度为110的向量（对应该组的最大长度）。mutate需要给分组内的每一行都分配一个值，110和190的长度不匹配，因此触发报错。
• 另外，max_sub_event_time是每个id, event组的常量，但approx的n参数如果传入长度大于1的向量，只会取第一个元素，这就是警告信息的来源。

正确解决方案：按子事件分组重采样，再扩展到目标长度 #

我们需要先按id, event, sub_event分组处理每个子序列，再根据对应组的最大长度进行重采样，最后重新生成时间序列。下面是用tidyverse工具实现的高效方案：

library(tidyverse)

# 1. 先计算每个(id, event)组的最长时间长度
max_length_df <- df %>%
  group_by(id, event) %>%
  summarise(max_len = max(sub_event_time), .groups = "drop")

# 2. 对每个sub_event子组进行重采样，并整理成tidy格式
resampled_df <- df %>%
  # 嵌套每个sub_event的子数据集
  nest_by(id, event, sub_event) %>%
  # 关联对应组的最大长度
  left_join(max_length_df, by = c("id", "event")) %>%
  # 对每个子数据集执行重采样
  mutate(
    resampled_data = list(
      tibble(
        sub_event_time = seq(1, max_len, length.out = max_len),
        var1 = approx(data$var1, n = max_len)$y,
        var2 = approx(data$var2, n = max_len)$y
      )
    )
  ) %>%
  # 展开嵌套的重采样结果
  unnest(resampled_data) %>%
  # 移除不再需要的原始嵌套数据列
  select(-data)

# 查看处理后的数据结构
glimpse(resampled_df)

# 绘制验证图，确认所有sub_event长度一致
ggplot(resampled_df, aes(x=sub_event_time, y=var1, colour = sub_event)) +
  geom_point(size = 0.8) +
  geom_line() +
  facet_wrap(id~event)

代码逻辑说明 #

1. 提取最大长度：先单独计算每个id, event组的最长时间长度，确保后续重采样的目标长度统一。
2. 嵌套子组数据：使用nest_by将每个id, event, sub_event的原始数据嵌套成单独的数据框，这样我们可以对每个子序列独立操作。
3. 执行重采样：在mutate中，对每个子数据框的var1和var2调用approx，采样到目标长度max_len，同时生成对应的新时间序列。
4. 恢复tidy格式：用unnest展开嵌套的重采样结果，得到结构整齐的最终数据集。

处理完成后，每个sub_event的序列长度都会匹配对应id, event组的最长长度，你可以顺利进行后续的均值计算等操作了。

内容的提问来源于stack exchange，提问作者dambach