在R中按analyte统计新旧方法的最大匹配值计数（始于最早共同月日）

现有两种生物标志物（analyte），分别通过old、new两种方法在不同时段测量：

• old方法测量时段：2022-06-03 至 2022-06-06（共4天）
• new方法测量时段：2023-06-01 至 2023-06-07（共7天）

需求：按analyte分组，忽略年份，找到最早的共同月日起始点，统计新旧方法在该共同连续时段内的测量值总数，将结果添加到新的count列中。示例中，analyte 'chol'的新旧方法count均为16，'ldh'均为18。

解决方案（R代码实现） #

1. 准备示例数据 #

先构造符合需求的示例数据集（可替换为你的真实数据）：

library(dplyr)
library(lubridate)

set.seed(123) # 设置随机种子保证结果可复现

# 构造old方法的数据
old_data <- bind_rows(
  # chol：4天×4次=16个测量值
  tibble(
    analyte = "chol",
    date = rep(ymd("2022-06-03") + days(0:3), each = 4),
    method = "old",
    value = rnorm(16, mean = 50, sd = 5)
  ),
  # ldh：4天共18个测量值（分布为4、4、5、5）
  tibble(
    analyte = "ldh",
    date = rep(ymd("2022-06-03") + days(0:3), c(4, 4, 5, 5)),
    method = "old",
    value = rnorm(18, mean = 30, sd = 3)
  )
)

# 构造new方法的数据
new_data <- bind_rows(
  # chol：共同时段（06-03至06-06）保留16个值，其他时段补充若干值
  tibble(
    analyte = "chol",
    date = c(rep(ymd("2023-06-01") + days(0:2), each = 3),
             rep(ymd("2023-06-03") + days(0:3), each = 4),
             rep(ymd("2023-06-07"), 3)),
    method = "new",
    value = rnorm(3*3 + 16 + 3, mean = 50, sd = 5)
  ),
  # ldh：共同时段保留18个值，其他时段补充若干值
  tibble(
    analyte = "ldh",
    date = c(rep(ymd("2023-06-01") + days(0:2), each = 2),
             rep(ymd("2023-06-03") + days(0:3), c(4, 4, 5, 5)),
             rep(ymd("2023-06-07"), 2)),
    method = "new",
    value = rnorm(2*3 + 18 + 2, mean = 30, sd = 3)
  )
)

# 合并新旧方法数据
full_data <- bind_rows(old_data, new_data)

2. 核心处理步骤 #

# 步骤1：提取月日字符串（忽略年份）
full_data <- full_data %>%
  mutate(month_day = format(date, "%m-%d"))

# 步骤2：确定每个analyte的最长共同连续时段
common_time_range <- full_data %>%
  # 筛选两种方法都覆盖的月日
  group_by(analyte, month_day) %>%
  filter(n_distinct(method) == 2) %>%
  ungroup() %>%
  # 按analyte分组，取最早的起始月日和最晚的结束月日
  group_by(analyte) %>%
  summarise(
    start_md = min(month_day),
    end_md = max(month_day)
  ) %>%
  ungroup()

# 步骤3：筛选共同时段数据并统计count，合并回原数据
final_result <- full_data %>%
  # 关联共同时段信息
  left_join(common_time_range, by = "analyte") %>%
  # 标记出处于共同时段内的行
  mutate(in_common_period = month_day >= start_md & month_day <= end_md) %>%
  # 按analyte和method统计共同时段内的测量值总数
  group_by(analyte, method) %>%
  mutate(count = sum(in_common_period)) %>%
  ungroup()

3. 验证结果 #

执行以下代码查看每个analyte和method的count值：

final_result %>%
  distinct(analyte, method, count)

输出结果将符合示例要求：

内容的提问来源于stack exchange，提问作者denis