如何用data.table实现处方日期重叠的修正处理函数？

原始数据集 #

我们有一个已按id、start_ins、rxdate排序的data.table，其中rx_end由rxdate + amount计算而来，但存在处方日期重叠的情况（比如id=2的第二行rx_end晚于第三行rxdate）：

library(data.table)
dt <- data.table(
    id = c(1, 2, 2, 3, 3, 3),
    start_ins = as.Date(c("2000-10-12", "2000-03-31", "2000-03-31", "2000-01-11", "2000-01-11", "2000-01-11")),
    rxdate = as.Date(c("2010-01-04", "2010-03-30", "2010-04-08", "2003-12-29", "2004-01-12", "2004-03-10")),
    amount = c(30, 28, 100, 60, 1, 10),
    rx_end = as.Date(c("2010-02-03", "2010-04-27", "2010-07-17", "2004-02-27", "2004-01-13", "2004-03-20"))
)

需求说明 #

按id和start_ins分组处理：

• 若当前行rxdate早于前一行rx_end，则将当前行rxdate设为前一行rx_end + 1，并更新rx_end为新rxdate + amount
• 无重叠则保持原数据
• 单条记录的分组不做任何处理

原尝试代码的问题 #

你之前写的函数存在两个核心问题：

1. 在data.table的分组j表达式里直接修改外部的dt，不符合data.table的操作规范，容易引发意外修改
2. 循环中对prev_end_date的索引处理逻辑有误，没有正确维护每一步更新后的前一行结束日期

正确实现函数 #

下面是符合需求的修正函数，核心是在每个分组内部逐行迭代，维护更新后的前一行结束日期：

overlapper <- function(dt) {
    # 确保数据集已按要求排序（如果外部未提前排序，内部补做）
    setorder(dt, id, start_ins, rxdate)
    
    dt[, {
        # 复制当前分组的局部数据，避免直接修改原表
        group_dt <- .SD
        if (.N == 1) {
            # 单条记录直接返回，无需处理
            return(group_dt)
        }
        # 初始化前一行的结束日期为分组第一行的rx_end
        prev_end <- group_dt$rx_end[1]
        # 从第二行开始逐行检查处理
        for (i in 2:.N) {
            current_rxdate <- group_dt$rxdate[i]
            if (current_rxdate <= prev_end) {
                # 存在重叠时，更新当前行的rxdate和rx_end
                group_dt$rxdate[i] <- prev_end + 1
                group_dt$rx_end[i] <- group_dt$rxdate[i] + group_dt$amount[i]
            }
            # 更新前一行结束日期为当前行的rx_end（无论是否修改）
            prev_end <- group_dt$rx_end[i]
        }
        group_dt
    }, by = .(id, start_ins)]
}

运行结果 #

调用函数后得到修正后的数据集：

corrected_dt <- overlapper(dt)
print(corrected_dt)
#    id  start_ins     rxdate amount     rx_end
# 1:  1 2000-10-12 2010-01-04     30 2010-02-03
# 2:  2 2000-03-31 2010-03-30     28 2010-04-27
# 3:  2 2000-03-31 2010-04-28    100 2010-08-06
# 4:  3 2000-01-11 2003-12-29     60 2004-02-27
# 5:  3 2000-01-11 2004-02-28      1 2004-02-29
# 6:  3 2000-01-11 2004-03-10     10 2004-03-20

可以看到：

• id=2的第三行rxdate从2010-04-08改为2010-04-28（前一行rx_end+1），rx_end同步更新为2010-08-06
• id=3的第二行rxdate从2004-01-12改为2004-02-28，rx_end变为2004-02-29
• id=1的单条记录保持不变

内容的提问来源于stack exchange，提问作者Youknowme