r - 基于连续值的组变量

Question

我有这样一个包含年度数据的数据框，但是，有些年份没有数据(此处:1956 年、1961-1964 年)。

dat <- data.frame(Year = c(1950:1955, 1957:1960, 1965:1970),
                  Val = 1:16)
> dat
   Year Val
1  1950   1
2  1951   2
3  1952   3
4  1953   4
5  1954   5
6  1955   6
7  1957   7
8  1958   8
9  1959   9
10 1960  10
11 1965  11
12 1966  12
13 1967  13
14 1968  14
15 1969  15
16 1970  16

我想添加一个变量“Period”，其中包含每个时期的最小和最大年份，其中一个时期定义为一组连续的年份(即 1950-1955、1957-1960 和 1965-1970)。创建这个变量本身不是问题，但我对如何进行分组感到困惑。有什么想法吗？

dat %>%
  ...???... %>%
  mutate(Period = paste(min(Year), max(Year), sep = "-"))

Answer 1

您可以为连续的时间段创建一个 ID:

dat$cont_per <- cumsum(!c(TRUE, diff(dat$Year)==1))

然后据此计算最小/最大值。例如，使用 data.table :

library(data.table)
setDT(dat)
dat[, Period := paste(min(Year), max(Year), sep="-"), by=cont_per]
 dat
    # Year Val cont_per    Period
 # 1: 1950   1        0 1950-1955
 # 2: 1951   2        0 1950-1955
 # 3: 1952   3        0 1950-1955
 # 4: 1953   4        0 1950-1955
 # 5: 1954   5        0 1950-1955
 # 6: 1955   6        0 1950-1955
 # 7: 1957   7        1 1957-1960
 # 8: 1958   8        1 1957-1960
 # 9: 1959   9        1 1957-1960
# 10: 1960  10        1 1957-1960
# 11: 1965  11        2 1965-1970
# 12: 1966  12        2 1965-1970
# 13: 1967  13        2 1965-1970
# 14: 1968  14        2 1965-1970
# 15: 1969  15        2 1965-1970
# 16: 1970  16        2 1965-1970

---

注意:您还可以直接计算Period，而无需创建变量cont_per:

setDT(dat)[, Period := paste(min(Year), max(Year), sep="-"), by=cumsum(!c(TRUE, diff(Year)==1))]
head(dat)
#    Year Val    Period
# 1: 1950   1 1950-1955
# 2: 1951   2 1950-1955
# 3: 1952   3 1950-1955
# 4: 1953   4 1950-1955
# 5: 1954   5 1950-1955
# 6: 1955   6 1950-1955

---

类似地，使用dplyr :

dat %>% 
   group_by(count_per=cumsum(!c(TRUE, diff(dat$Year)==1))) %>% 
   mutate(Period=paste(min(Year), max(Year), sep="-"))