如何筛选先患疾病1后患疾病2（可间隔其他疾病）的个体？

给定包含患者多次就诊记录的DataFrame，我们需要筛选出先出现疾病1、之后出现疾病2的患者（疾病1与疾病2之间可存在疾病3），最终目标是得到ID为2、4、6的个体。

原始数据 #

ID <- c(1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 6, 6, 6)
Visit <- c(1, 2, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 1, 2, 3)
Disease <- c(2, 2, 1, 2, 1, 1, 1, 1, 2, 1, 2, 2, 1, 1, 3, 2)
df <- data.frame(ID, Visit, Disease)

解决方案1：用dplyr分组处理 #

这是日常数据处理中常用的tidyverse风格写法：

library(dplyr)

target_ids <- df %>%
  group_by(ID) %>%
  summarise(
    # 确认患者同时患过疾病1和2
    has_1 = any(Disease == 1),
    has_2 = any(Disease == 2),
    # 取第一次患疾病1的就诊时间，最后一次患疾病2的就诊时间
    first_1_time = min(Visit[Disease == 1], Inf),
    last_2_time = max(Visit[Disease == 2], -Inf),
    # 核心条件：疾病1的首次就诊早于疾病2的末次就诊
    passes = has_1 & has_2 & (first_1_time < last_2_time)
  ) %>%
  filter(passes) %>%
  pull(ID)

# 查看结果
target_ids
# 输出：[1] 2 4 6

解决方案2：基础R实现 #

如果不想依赖第三方包，用基础R也能完成：

# 按ID拆分数据集
id_groups <- split(df, df$ID)

# 逐个检查每个患者的就诊记录
valid_ids <- sapply(id_groups, function(patient_data) {
  diseases <- patient_data$Disease
  # 先排除只患一种疾病的情况
  if (!any(diseases == 1) || !any(diseases == 2)) return(FALSE)
  # 找到第一个疾病1和最后一个疾病2的位置
  first_1_pos <- which(diseases == 1)[1]
  last_2_pos <- tail(which(diseases == 2), 1)
  # 判断顺序是否符合要求
  first_1_pos < last_2_pos
})

# 提取符合条件的ID
target_ids <- as.numeric(names(valid_ids)[valid_ids])
target_ids
# 输出：[1] 2 4 6

逻辑说明 #

两种方法的核心逻辑一致：

1. 先排除只患疾病1或只患疾病2的患者
2. 只要患者的首次疾病1就诊时间早于末次疾病2就诊时间，就满足筛选要求——中间即使出现疾病3，也不影响这个顺序判断

内容的提问来源于stack exchange，提问作者Jenn0804