如何在R中按首个事件后的120天周期分组非重叠事件

核心思路 #

要实现基于组内首个事件的120天非重叠分组，关键是以每个新组的第一个事件日期为起点，计算120天周期范围，将所有落在该范围内的事件归为一组；超出范围的事件则作为新组的起始点，重复上述逻辑。之前用date < lag(period_end)的方式只依赖前一周期的结束日期，无法满足“以组内首个事件为基准”的需求。

实现步骤（以Pandas为例） #

1. 准备并排序数据

首先必须确保数据按事件日期排序，否则分组逻辑会混乱：

import pandas as pd
from datetime import timedelta

# 示例数据
data = pd.DataFrame({
    'event_id': [1,2,3,4,5,6],
    'date': pd.to_datetime([
        '1992-05-09', '1992-09-08', '1992-11-15', 
        '1993-01-06', '1993-03-10', '1993-04-20'
    ])
})
# 按日期排序并重置索引
data = data.sort_values('date').reset_index(drop=True)

2. 循环分组实现（易理解）

通过循环遍历，每次确定新组的起始日期和周期范围，标记对应事件的分组：

# 初始化分组列
data['group'] = None
# 第一个组的起始与结束日期
current_group = 'A'
current_start = data.loc[0, 'date']
current_end = current_start + timedelta(days=120)

# 标记第一个组的事件
data.loc[data['date'] <= current_end, 'group'] = current_group

# 处理剩余未分组事件
remaining = data[data['group'].isna()]
while not remaining.empty:
    # 切换到下一个字母分组
    current_group = chr(ord(current_group) + 1)
    # 新组的起始为剩余事件的第一个日期
    current_start = remaining.iloc[0]['date']
    current_end = current_start + timedelta(days=120)
    # 标记当前组的事件
    data.loc[remaining.index[remaining['date'] <= current_end], 'group'] = current_group
    # 更新剩余事件列表
    remaining = data[data['group'].isna()]

3. 高效矢量化风格实现（性能更优）

用累积标记的方式替代循环赋值，逻辑更紧凑：

data = data.sort_values('date').reset_index(drop=True)

# 初始化分组编号，第一个事件归为第0组
group_num = [0]
current_start = data['date'].iloc[0]

for i in range(1, len(data)):
    # 若当前事件超出当前组的120天范围，则开启新组
    if data['date'].iloc[i] > current_start + timedelta(days=120):
        group_num.append(group_num[-1] + 1)
        current_start = data['date'].iloc[i]
    else:
        group_num.append(group_num[-1])

# 将数字编号转为A/B/C样式的分组名
data['group'] = [chr(ord('A') + num) for num in group_num]

最终结果 #

执行后会得到符合预期的分组：

其中组B的周期为1992-09-08至1993-01-06（120天），事件4因超出该范围被归为新组C。

内容的提问来源于stack exchange，提问作者Brian Fisher