基于dplyr识别28天周期内的首次就诊与复诊记录

原始数据集 #

以下是个人就诊记录：

数据集的dput代码：

data <- structure(list(identifier = c("A1", "A1", "A1", "A1", "A1", "A1",
                                  "A1", "A1", "A1", "A1", "A1", "A1", "A1"),
                    date = structure(c(18520, 18504, 18621, 18580, 18353, 18751,
                                       18289, 18494, 18592, 18490, 18755, 18834, 18566),
                                     class = "Date")),
               row.names = c(NA, -13L), class = "data.frame")

需求说明 #

该个体就诊时间不规律，部分复诊间隔在28天内。需要按日期排序后，识别出间隔至少28天的首次就诊（索引就诊），以及28天窗口期内的复诊，最终生成包含index_visit（是否为索引就诊）和index_id（所属索引组ID）的数据集。

目标结果 #

处理后的数据格式如下：

dplyr解决方案 #

使用dplyr包实现需求，步骤如下：

1. 按个体和日期排序，确保时间顺序正确；
2. 跟踪每个就诊记录与最近一次索引就诊的时间间隔，判断是否需要生成新的索引；
3. 根据索引标识生成连续的index_id。

代码实现：

library(dplyr)

processed_data <- data %>%
  # 按个体和日期排序
  arrange(identifier, date) %>%
  group_by(identifier) %>%
  mutate(
    # 初始标记第一条记录为索引就诊
    index_visit = row_number() == 1,
    # 记录当前索引就诊的日期，初始为第一条日期
    current_index_date = ifelse(index_visit, date, NA)
  ) %>%
  # 向前填充索引日期，直到遇到新的索引就诊
  fill(current_index_date, .direction = "down") %>%
  mutate(
    # 计算当前日期与对应索引日期的间隔
    days_since_index = as.numeric(date - current_index_date),
    # 判断是否需要更新为新的索引就诊：间隔≥28天则标记为新索引
    index_visit = ifelse(days_since_index >= 28 | row_number() == 1, TRUE, FALSE),
    # 重新更新索引日期：如果是新索引，替换为当前日期
    current_index_date = ifelse(index_visit, date, current_index_date)
  ) %>%
  # 再次填充，确保后续复诊关联正确的索引日期
  fill(current_index_date, .direction = "down") %>%
  # 生成连续的index_id
  mutate(index_id = cumsum(index_visit)) %>%
  # 移除中间辅助列
  select(-current_index_date, -days_since_index) %>%
  ungroup()

# 查看结果
print(processed_data)

代码说明 #

• arrange确保数据按时间顺序排列，这是后续计算的基础；
• fill用于将索引就诊的日期向下填充，让同一组内的复诊记录关联到对应的索引日期；
• cumsum(index_visit)通过累加索引就诊的标记，生成连续的index_id，每个新索引对应一个递增的ID；
• 两次判断index_visit是为了确保首次就诊和间隔≥28天的就诊都被标记为索引就诊，同时修正中间步骤的索引日期。

内容的提问来源于stack exchange，提问作者hisspott