R语言多状态数据中删失时间与事件指示器的tidyverse实现

问题背景 #

现有R数据框包含3个中间状态（A、B、C）和2个终末状态（D、E），每个状态对应Event（事件标识，0/1）和EventTime（事件发生时间）两列。需生成两个计算列：

1. Var1：优先级规则为：
   • 若D/E的Event存在1，返回D/E中第一个Event=1对应的EventTime；
   • 否则若A/B/C的Event存在0，返回A/B/C中第一个Event=0对应的EventTime；
   • 若前两个条件都不满足（A/B/C无0且D/E全为0），返回D/E中第一个Event=0对应的EventTime。
2. Var2：若D/E的Event存在1则返回0，否则返回1。

之前用apply实现但效率不足，以下提供基于tidyverse的向量化/分组优化方案，适配大数据集。

解决方案：tidyverse向量化分组实现 #

核心思路是将宽格式数据转为长格式，利用分组操作批量处理每行的状态事件，避免逐行循环（如rowwise/pmap）带来的性能损耗。

1. 构造示例数据

library(tidyverse)

set.seed(123)
df <- tibble(
  A_Event = sample(c(0,1), 10, replace = TRUE),
  A_EventTime = runif(10, 1, 10),
  B_Event = sample(c(0,1), 10, replace = TRUE),
  B_EventTime = runif(10, 1, 10),
  C_Event = sample(c(0,1), 10, replace = TRUE),
  C_EventTime = runif(10, 1, 10),
  D_Event = sample(c(0,1), 10, replace = TRUE),
  D_EventTime = runif(10, 1, 10),
  E_Event = sample(c(0,1), 10, replace = TRUE),
  E_EventTime = runif(10, 1, 10)
)

2. 数据转长格式并分组计算

# 转长格式，保留行标识以便后续合并
df_long <- df %>%
  mutate(row_id = row_number()) %>%
  pivot_longer(
    cols = -row_id,
    names_to = c("state", ".value"),
    names_pattern = "(.)_(Event|EventTime)"
  ) %>%
  # 按规则排序：先终末状态D/E，再中间状态A/B/C，确保优先匹配高优先级条件
  arrange(row_id, factor(state, levels = c("D", "E", "A", "B", "C")))

# 分组计算Var1和Var2
result_df <- df_long %>%
  group_by(row_id) %>%
  mutate(
    # 判断是否存在终末状态事件（D/E有Event=1）
    has_terminal_event = any(state %in% c("D", "E") & Event == 1),
    Var2 = as.integer(!has_terminal_event)
  ) %>%
  # 按优先级筛选符合条件的行
  filter(
    if (has_terminal_event) {
      state %in% c("D", "E") & Event == 1
    } else {
      # 先匹配中间状态的0，再匹配终末状态的0
      (state %in% c("A", "B", "C") & Event == 0) | (state %in% c("D", "E") & Event == 0)
    }
  ) %>%
  # 取第一个符合条件的时间（因已排序，第一个即为优先级最高的结果）
  slice_head(n = 1) %>%
  rename(Var1 = EventTime) %>%
  select(row_id, Var1, Var2) %>%
  ungroup()

# 合并回原数据框
final_df <- df %>%
  mutate(row_id = row_number()) %>%
  left_join(result_df, by = "row_id") %>%
  select(-row_id)

性能优势说明 #

• 避免了apply/rowwise的逐行循环，利用pivot_longer的向量化转换和dplyr的分组优化，在大数据集（十万级以上行）中性能提升明显；
• 通过提前排序确保筛选时直接取第一个匹配项，无需额外的位置计算逻辑，代码更简洁易维护。

内容的提问来源于stack exchange，提问作者Steve