使用R tidyverse计算长格式数据中测量2与各测量的天数差

问题说明 #

现有长格式重复测量数据集，字段包括：

• obs_id：个体标识
• time：测量序号（1、2、3）
• date：测量1/2的日期（若存在）
• date_3：测量3的单独日期（若存在）

需要生成days_2_to_time字段：

• 存在测量2的个体，每行存储该行日期与测量2日期的天数差（测量1/2用date，测量3用date_3）
• 无测量2的个体，该字段为缺失值

示例数据集：

library(tidyverse)
library(lubridate)
sample_data <- tribble(
  ~obs_id, ~time, ~date, ~date_3,    
  "a", 1, ymd("2017-10-28"), NA_Date_,
  "a", 2, ymd("2017-11-09"), NA_Date_,
  "a", 3, NA_Date_, ymd("2017-11-12"), 
  "b", 1, ymd("2017-10-28"), NA_Date_,
  "b", 2, ymd("2017-11-09"), NA_Date_,
  "b", 3, NA_Date_, NA_Date_,    
  "c", 1, ymd("2017-10-05"), NA_Date_,
  "c", 3, NA_Date_, ymd("2017-10-29"),
)

预期结果：

expected_result <- tribble(
  ~obs_id, ~time, ~date, ~date_3, ~days_2_to_time,
  "a", 1, ymd("2017-10-28"), NA_Date_, -12, 
  "a", 2, ymd("2017-11-09"), NA_Date_, 0, 
  "a", 3, NA_Date_, ymd("2017-11-12"), 3,
  "b", 1, ymd("2017-10-28"), NA_Date_, -12, 
  "b", 2, ymd("2017-11-09"), NA_Date_, 0,
  "b", 3, NA_Date_, NA_Date_, NA_integer_,
  "c", 1, ymd("2017-10-05"), NA_Date_, NA_integer_,
  "c", 3, NA_Date_, ymd("2017-10-29"), NA_integer_
)

原代码错误分析 #

尝试的代码报错：

sample_data <- sample_data |>
  group_by(obs_id) |>
  mutate(
    days_2_to_time = case_when(
      2 %in% time & time != 3 ~ as.duration(date[time == 2] %--% date)/ddays(1),
      2 %in% time & time == 3 ~ as.duration(date[time == 2] %--% date_3)/ddays(1),
      ! 2 %in% time ~ NA_integer_
    )
  ) |>
  ungroup()

错误信息：

Error in `mutate()`:
ℹ In argument: `days_2_to_time = case_when(...)`.
ℹ In group 3: `obs_id = "c"`.
Caused by error in `case_when()`:
! Can't recycle `..1 (left)` (size 2) to match `..1 (right)` (size 0).
Run `rlang::last_trace()` to see where the error occurred.

核心问题：case_when是逐行评估条件的，2 %in% time逐行判断时，每个行的time是单个值，导致：

1. 无测量2的组中，date[time==2]返回空向量，与逐行计算的结果长度不匹配
2. !2 %in% time会被逐行触发（比如time=1或3的行都会满足），而非针对整个组判断是否存在测量2

解决方案 #

方法1：先提取组内测量2的日期，再计算差值 #

先在分组内统一提取测量2的日期，再基于该日期计算每行的差值，同时通过组内整体判断决定是否返回NA：

sample_data <- sample_data |>
  group_by(obs_id) |>
  mutate(
    # 提取当前组中测量2的日期，无则为NA
    time2_date = first(date[time == 2]),
    # 确定当前行使用的日期字段
    current_date = case_when(
      time != 3 ~ date,
      time == 3 ~ date_3
    ),
    # 计算天数差：仅当存在测量2时计算，否则返回NA
    days_2_to_time = ifelse(is.na(time2_date), 
                            NA_integer_, 
                            as.integer(current_date - time2_date))
  ) |>
  # 可选：移除中间临时变量
  select(-time2_date, -current_date) |>
  ungroup()

方法2：简化版，无需中间变量 #

直接在ifelse中先判断组内是否存在测量2，再计算差值：

sample_data <- sample_data |>
  group_by(obs_id) |>
  mutate(
    days_2_to_time = ifelse(
      # 针对整个组判断是否存在测量2
      !any(time == 2),
      NA_integer_,
      # 计算当前行日期与测量2日期的天数差
      as.integer(
        case_when(
          time != 3 ~ date,
          time == 3 ~ date_3
        ) - first(date[time == 2])
      )
    )
  ) |>
  ungroup()

两种方法都能得到符合预期的结果，核心是用any(time == 2)实现针对整个分组的条件判断，而非逐行判断，同时统一提取组内测量2的日期，避免长度不匹配问题。

内容的提问来源于stack exchange，提问作者torwart