医学数据集DataFrame重构：按时间窗口匹配参与者变量测量日期

核心思路 #

针对测量次数不均、时间敏感性匹配的问题，通过以下步骤处理：

• 将因变量与自变量的日期、值拆分整理为结构化长表，便于按参与者分组操作
• 对每个参与者，把因变量的每一条日期记录与自变量的所有日期做时间窗口匹配
• 筛选符合时间范围的有效记录，重组为对齐格式的数据集

代码实现 #

首先加载依赖包：

library(tidyverse)

步骤1：拆分因变量与自变量数据 #

从已转换的长表中拆分出因变量和自变量的独立数据集，去除无日期的无效记录：

# 提取因变量的日期与值
dep_data <- dataset_long %>%
  select(Participant.Id, time, var_dep_date, dep_var_value) %>%
  drop_na(var_dep_date) %>%
  rename(dep_date = var_dep_date, dep_value = dep_var_value)

# 提取自变量的日期与多变量值
indep_data <- dataset_long %>%
  select(Participant.Id, time, var_indep_date, starts_with("var")) %>%
  drop_na(var_indep_date) %>%
  rename(indep_date = var_indep_date)

步骤2：按参与者匹配时间窗口内的记录 #

自定义时间窗口（示例为±45天，可根据需求调整），筛选因变量与自变量日期在窗口内的匹配对：

time_window <- 45  # 时间窗口，单位：天

matched_data <- dep_data %>%
  inner_join(indep_data, by = "Participant.Id") %>%
  # 计算日期差，筛选符合时间窗口的记录
  mutate(date_diff = abs(as.numeric(dep_date - indep_date, units = "days"))) %>%
  filter(date_diff <= time_window) %>%
  # 整理输出列
  select(Participant.Id, dep_date, dep_value, indep_date, 
         varA_indep_value, varB_indep_value, varC_indep_value, date_diff) %>%
  arrange(Participant.Id, dep_date)

步骤3：优化多匹配记录（可选） #

如果一个因变量日期匹配到多个自变量记录，可保留距离最近的一条：

# 每个因变量日期仅保留最近的自变量匹配记录
matched_data_unique <- matched_data %>%
  group_by(Participant.Id, dep_date) %>%
  slice_min(date_diff, n = 1, with_ties = FALSE) %>%
  ungroup()

结果说明 #

• matched_data：包含所有符合时间窗口的因变量-自变量匹配对，支持一对多的匹配场景
• matched_data_unique：确保每个因变量日期仅对应最近的一条自变量记录，适合一对一的分析需求
• 自动处理了不同参与者、不同变量测量次数不均的问题，仅保留有有效日期匹配的记录

原代码问题说明 #

你之前的循环代码存在两处关键问题：

• 变量名错误：dates_long$Id和dates_long$.Id与实际数据集的Participant.ld不匹配
• 逻辑偏差：仅对日期按间隔打分组标签，未建立因变量与自变量的关联匹配，无法实现核心需求

内容的提问来源于stack exchange，提问作者y.a