在R语言中创建连续无间隔的时间周期

原始数据 #

首先定义输入的数据框：

library(tidyverse)
library(lubridate)

df <- tribble(
  ~person, ~start, ~end,
  '1', '2000-01-01', '2000-12-31',
  '1', '2001-01-01', '2002-07-31',
  '1', '2001-04-01', '2001-06-30',
  '1', '2001-08-01', '2001-12-31',
  '1', '2002-01-01', '2002-12-31',
  '2', '2000-01-01', '2000-11-30',
  '2', '2001-01-01', '2001-12-31') |> 
  mutate(start = lubridate::as_date(start),
         end   = lubridate::as_date(end))

需求目标 #

需要将每个person的重叠或连续无间隔的日期区间合并，得到如下输出：

person     start         end
1          2000-01-01    2002-12-31
2          2000-01-01    2001-11-30
2          2001-01-01    2001-12-31

原代码问题 #

你之前的代码直接取了每个person的最早开始和最晚结束，忽略了区间间的实际间隔（比如person 2的两个区间存在间隔，不能合并）：

df |> 
  distinct() |>
  arrange(person, start, end) |> 
  mutate(
    gap = start - lag(end, default = min(start))
  ) |>
  group_by(person) |> 
  summarise(
    MIN_START = min(start),
    MAX_END   = max(end)
  )

正确解决方案 #

核心思路是：按person分组后，先排序日期，标记出所有独立的区间（当前行start晚于上一行end时，视为新区间），最后按标记的区间聚合最小start和最大end。

代码如下：

df |>
  distinct() |>
  arrange(person, start) |>
  group_by(person) |>
  # 生成区间组ID：当前start > 上一行end时，触发新组
  mutate(
    group_id = cumsum(start > lag(end, default = start[1] - days(1)))
  ) |>
  # 按person和区间组聚合，取每组的起止日期
  group_by(person, group_id) |>
  summarise(
    start = min(start),
    end = max(end),
    .groups = "drop"
  ) |>
  select(-group_id) # 移除临时组ID列

代码解释 #

1. distinct()：去重，避免重复区间干扰计算
2. arrange(person, start)：确保每个用户的日期按开始时间排序
3. group_by(person)：按用户单独处理日期区间
4. cumsum(start > lag(end, default = start[1] - days(1)))：通过累加判断生成区间ID，当当前行开始日期晚于上一行结束日期时，生成新组；默认值设为start[1]-days(1)，保证第一行的组ID从1开始
5. 再次分组聚合：按用户和区间ID取每组的最小开始日期和最大结束日期，最后移除临时的组ID列

运行这段代码即可得到预期的合并结果。

内容的提问来源于stack exchange，提问作者cowboy