如何统计满足‘两个Positive之间至少存在一个Negative’模式的ID总数？（附R语言代码问题排查）

DevOps 小满

2026-4-28

我来帮你解决这个统计问题，先明确核心需求：我们需要找出所有满足至少存在一对Positive测试记录，且这对记录之间至少有一条Negative记录的ID，最终统计这类ID的总数。先分析你之前代码的问题，再给出R、Python、SQL三种语言的可行方案。

问题分析

你之前的R代码用正则PositiveNegative+Positive来匹配序列，但这个正则太严格了——它只能匹配连续的Positive→一个/多个Negative→Positive的情况，无法覆盖中间夹着其他Positive的场景（比如P-P-N-P这种序列，其实第一个P和第三个P之间有N，应该符合条件，但正则匹配不到），这就是部分符合条件的ID被遗漏的原因。另外ID起始值异常的问题，大概率是原数据集的ID本身不连续，或者分组过滤时的逻辑问题，下面的方案会避免这个问题。

解决方案

我们可以用两种思路来实现：一种是基于日期范围的检查（更直观，适合处理时间序列数据），另一种是修正正则表达式（适合字符串序列匹配）。

R语言实现

方法1：基于日期范围的检查（推荐，逻辑清晰）

这个思路是：对每个ID，先确认它有至少2条Positive记录，然后检查这些Positive的最早和最晚日期之间是否存在至少一条Negative记录——只要存在，就说明该ID符合条件。

library(dplyr)

# 假设你的数据集名为pos_neg_data，确保Date是日期类型
pos_neg_data$Date <- as.Date(pos_neg_data$Date)

# 分组处理并筛选符合条件的ID
valid_ids <- pos_neg_data %>%
  group_by(ID) %>%
  mutate(
    # 标记是否有至少2个Positive
    has_enough_pos = sum(TEST == "Positive") >= 2,
    # 获取Positive的最早和最晚日期
    min_pos_date = min(Date[TEST == "Positive"], na.rm = TRUE),
    max_pos_date = max(Date[TEST == "Positive"], na.rm = TRUE)
  ) %>%
  # 先过滤掉没有足够Positive的ID
  filter(has_enough_pos) %>%
  # 检查是否存在Negative在两个Positive日期之间
  summarise(
    meets_criteria = any(TEST == "Negative" & Date > min_pos_date & Date < max_pos_date),
    .groups = "drop"
  ) %>%
  filter(meets_criteria)

# 统计总数
cat("Total", nrow(valid_ids), "\n")

方法2：修正正则表达式

如果偏好字符串拼接的方式，把正则改成Positive.*Negative.*Positive，它能匹配任意位置的Positive→中间任意内容→Negative→中间任意内容→Positive，覆盖所有符合条件的场景：

library(dplyr)
library(stringr)

pos_neg_data$Date <- as.Date(pos_neg_data$Date)

valid_ids <- pos_neg_data %>%
  group_by(ID) %>%
  summarise(
    # 拼接所有测试结果为字符串
    test_sequence = str_c(TEST, collapse = ""),
    # 用修正后的正则匹配
    meets_criteria = str_detect(test_sequence, "Positive.*Negative.*Positive"),
    .groups = "drop"
  ) %>%
  filter(meets_criteria)

cat("Total", nrow(valid_ids), "\n")

Python语言实现（用Pandas）

同样采用日期范围检查的思路，逻辑和R一致：

import pandas as pd

# 读取数据集，确保Date转为datetime类型
df = pd.read_csv("your_data.csv")
df["Date"] = pd.to_datetime(df["Date"])

# 按ID分组筛选
def check_id(group):
    # 获取所有Positive的日期
    pos_dates = group[group["TEST"] == "Positive"]["Date"]
    if len(pos_dates) < 2:
        return False
    min_pos = pos_dates.min()
    max_pos = pos_dates.max()
    # 检查是否有Negative在日期范围内
    return any((group["TEST"] == "Negative") & (group["Date"] > min_pos) & (group["Date"] < max_pos))

# 应用分组函数并统计
valid_ids = df.groupby("ID").apply(check_id)
total = valid_ids[valid_ids].count()

print(f"Total {total}")

SQL语言实现

假设你的数据表名为pos_neg，字段为ID、TEST、Date（Date为日期类型）：

SELECT COUNT(DISTINCT p.ID) AS Total
FROM (
    -- 先找出有至少2个Positive的ID及其最早、最晚Positive日期
    SELECT ID,
           MIN(Date) AS min_pos_date,
           MAX(Date) AS max_pos_date
    FROM pos_neg
    WHERE TEST = 'Positive'
    GROUP BY ID
    HAVING COUNT(*) >= 2
) p
-- 关联原表，检查这些ID是否存在Negative在日期范围内
JOIN pos_neg n ON p.ID = n.ID
WHERE n.TEST = 'Negative'
  AND n.Date > p.min_pos_date
  AND n.Date < p.max_pos_date;

验证示例数据

用你提供的示例数据集测试，上述方案都会得到Total 2的结果（ID1和ID4符合条件），完全符合预期。对于EDIT2中的ID1，因为它的Positive最早日期是2021-01-08，最晚是2021-10-29，中间存在多条Negative记录，所以会被正确统计进去。

内容的提问来源于stack exchange，提问作者ella