如何用R筛选与目标日期区间交集≥180天的吸烟案例

数据集 #

library(tidyverse)
library(lubridate)

df <- data.frame(
  ID = 1:10,
  start_date_smoking = c("28/06/2011", "27/07/2012", "09/04/2003", "01/07/2013", "28/06/2011",
                         "01/09/2013", "01/09/2013", "30/08/2014", "01/09/2013", "01/09/2013"),
  end_date_smoking = c("01/01/2017", "01/01/2017", "01/01/2017", "01/01/2017", "01/09/2013",
                       "01/09/2013", "02/09/2013", "01/01/2017", "31/08/2014", "31/08/2014")
)

df <- df %>% 
  mutate(
    start_date_smoking = dmy(start_date_smoking),
    end_date_smoking = dmy(end_date_smoking),
    days = time_length(difftime(end_date_smoking, start_date_smoking), "days")
  )

需求说明 #

• 筛选吸烟区间与2013-09-01至2014-08-31有交集的记录
• 且该目标时段内的吸烟时长至少180天
• 期望结果ID：1、2、3、4、9、10
• 需包含ID1这类早于目标时段开始吸烟的案例，排除ID8这类目标时段内时长不足180天的案例

尝试的错误代码 #

start_range <- dmy("01/09/2013")
end_range <- dmy("31/08/2014")

df %>%
  filter(days >= 180 &
         (start_date_smoking >= start_range & start_date_smoking <= end_range) |
           (end_date_smoking >= start_range & end_date_smoking <= end_range) |
           (start_date_smoking <= start_range & end_date_smoking >= end_range))

解决方案 #

你的代码存在两个核心问题：

1. 错误使用了全局吸烟周期的days >=180，而非目标时段内的重叠时长
2. 交集判断逻辑冗余，且未精确计算重叠天数

针对1500万行的大数据集，以下方案采用向量化运算，效率极高：

# 定义目标时段
start_range <- dmy("01/09/2013")
end_range <- dmy("31/08/2014")

# 计算重叠时长并筛选
result <- df %>%
  mutate(
    # 取吸烟起始与目标起始的较晚值作为重叠起始
    overlap_start = pmax(start_date_smoking, start_range),
    # 取吸烟结束与目标结束的较早值作为重叠结束
    overlap_end = pmin(end_date_smoking, end_range),
    # 计算有效重叠天数：无交集时设为0
    overlap_days = time_length(difftime(overlap_end, overlap_start), "days") %>% pmax(0)
  ) %>%
  filter(overlap_days >= 180) %>%
  select(ID, overlap_days) # 可选，保留需要的列

# 输出结果
result

逻辑说明 #

• pmax()和pmin()是向量化函数，能批量计算每个记录的重叠区间，避免循环，适配大数据量
• 重叠天数为0时说明无交集，自动被排除
• 最终筛选仅保留目标时段内吸烟时长≥180天的ID，完全符合预期结果：ID1、2、3、4、9、10

内容的提问来源于stack exchange，提问作者allen.joseph