基于分组内日期筛选创建新列的R语言技术问询

原始数据 #

首先是待处理的数据框my_data：

# dput输出
structure(list(id = c(1, 1, 1, 2, 2, 3, 3), begin = c("2017-01-01", 
"2017-08-01", "2022-05-01", "2017-01-01", "2017-09-01", "2017-01-01", 
"2017-09-01"), end = c("2017-07-01", "2022-04-01", "2023-06-01", 
"2017-08-01", "2023-06-01", "2017-08-01", "2023-06-01"), position = c("position_1", 
"position_2", "position_3", "position_1", "position_2", "position_1", 
"position_1")), row.names = c(NA, -7L), class = "data.frame")

# 打印预览
 id      begin        end   position
1  1 2017-01-01 2017-07-01 position_1
2  1 2017-08-01 2022-04-01 position_2
3  1 2022-05-01 2023-06-01 position_3
4  2 2017-01-01 2017-08-01 position_1
5  2 2017-09-01 2023-06-01 position_2
6  3 2017-01-01 2017-08-01 position_1
7  3 2017-09-01 2023-06-01 position_1

需求说明 #

按id分组，生成如first_position_in_2023、first_position_in_2017这类年份对应列，存储每个ID在目标年份1月1日当天处于的首个职位（即时间区间[begin, end]包含YYYY-01-01的首个position）。

问题分析 #

你尝试的代码返回了所有行的结果，原因是summarise中直接使用position[begin <= ...]会保留分组内所有满足条件的元素，没有提取首个匹配项，同时也漏了判断end >= 目标日期（确保日期在区间内）。

解决方案 #

1. 先转换日期类型 #

首先将begin和end转换为日期格式，保证日期比较的准确性：

library(dplyr)
library(lubridate)

my_data <- my_data %>%
  mutate(across(c(begin, end), ymd))

2. 单年份的处理方法 #

按ID分组后，筛选出包含目标日期的行，提取首个position：

my_data %>%
  group_by(id) %>%
  summarise(
    first_position_in_2023 = position[begin <= ymd("2023-01-01") & end >= ymd("2023-01-01")][1]
  )

运行结果：

# A tibble: 3 x 2
     id first_position_in_2023
  <dbl> <chr>                 
1     1 position_3            
2     2 position_2            
3     3 position_1

3. 多年份的自动化处理 #

如果需要批量生成多个年份的列，可以用purrr实现自动化：

library(purrr)

# 指定需要处理的年份范围
target_years <- 2017:2023

# 定义生成单年份列的函数
get_year_position <- function(year) {
  target_date <- ymd(paste0(year, "-01-01"))
  my_data %>%
    group_by(id) %>%
    summarise(
      !!paste0("first_position_in_", year) := position[begin <= target_date & end >= target_date][1]
    )
}

# 合并所有年份的结果
result <- map_dfc(target_years, get_year_position) %>%
  select(id, everything()) %>%
  distinct(id, .keep_all = TRUE)

运行后会得到包含first_position_in_2017到first_position_in_2023所有列的数据框，每个ID对应一行。

内容的提问来源于stack exchange，提问作者fschier