基于时间关联去重：保留同一住院号指定周期内首个尿培养结果

针对你提出的需求——同一住院号仅保留指定时间跨度内的首个尿培养结果，且数据中同患者记录可能不连续的情况，用R的dplyr+lubridate包可以轻松实现，以下是具体方案：

第一步：数据预处理 #

首先得把字符格式的日期转成R能识别的日期类型，同时按住院号和日期排序，确保同患者的记录按时间先后排列（这一步解决记录不连续的问题）：

library(dplyr)
library(lubridate)

# 加载你的示例数据
df <- data.frame(
  date = c("01.01.2024", "02.01.2024", "12.01.2024", "13.01.2024", "20.01.2024", "24.01.2024"),
  Hopital_number = c(123, 123, 345, 345, 345, 678),
  Whatiwant = c("Keep", "Remove", "Keep", "Remove", "Keep", "Keep")
)

# 转换日期格式（你的日期是日.月.年，所以用dmy()）
df <- df %>%
  mutate(date = dmy(date)) %>%
  arrange(Hopital_number, date) # 按住院号分组排序，保证同患者记录按时间顺序排列

第二步：按1周跨度保留首个记录 #

核心逻辑是：对每个患者的记录，从第一条开始，只要当前记录和上一条被保留的记录的日期差超过指定跨度，就保留当前记录，否则剔除。用accumulate函数可以追踪上一条保留的日期，实现这个逻辑：

# 设置时间窗口为1周（7天）
time_window <- days(7)

# 执行筛选
filtered_df <- df %>%
  group_by(Hopital_number) %>%
  mutate(
    # 第一条记录默认保留
    keep = row_number() == 1,
    # 从第二条开始，逐行判断是否满足时间跨度要求
    keep = accumulate(keep, .init = first(date),
                      function(last_keep_date, current_keep) {
                        if (current_keep) {
                          # 如果当前是第一条，更新保留日期为当前日期
                          date[row_number() == 1]
                        } else {
                          # 获取当前行的日期
                          current_date <- date[row_number() == which(keep == current_keep)]
                          if (current_date - last_keep_date > time_window) {
                            # 超过跨度，保留，更新保留日期
                            current_date
                          } else {
                            # 没超过，不保留，返回上一条保留日期
                            last_keep_date
                          }
                        }
                      }) %>%
      # 去掉accumulate初始化的第一个值，和原数据行数匹配
      tail(-1) %>%
      # 把返回的日期转成逻辑值：只有当当前记录是新的保留项时，返回TRUE
      map_lgl(~ .x == date)
  ) %>%
  filter(keep) %>%
  ungroup()

# 查看结果，和你预期的Whatiwant完全匹配
print(filtered_df)

调整时间跨度的方法 #

只需要修改time_window的取值，就能切换不同周期：

• 2周跨度：time_window <- days(14)
• 1个月跨度：用months(1)，它会自动处理不同月份的天数差异（比如1月31日到2月29日会被视为1个月）：time_window <- months(1)
• 自定义天数：比如10天就写time_window <- days(10)

注意事项 #

• 排序是必须的：原始数据中同住院号的记录可能被其他患者隔开，排序后才能保证按时间顺序判断
• accumulate的作用是追踪最近一次保留的日期，避免同一时间窗口内多条记录被错误保留（比如患者一周内提交3次样本，只会保留第一次）

内容的提问来源于stack exchange，提问作者Stuart Drazich-Taylor