基于参考日期的R语言数据清洗：按年度分配居住地址

原始数据集 #

mydata<-data.frame(id = c("R007", "R008", "R008", "R009", "R009"),
                   statenumber= c(1, 2, 3, 4, 5),
                   startdate = c(20080101, 20080101, 20120301,20120101, 20121001),
                   enddate = c(20121201, 20120301, 20121201, 20121001, 20121201))

# 转换日期格式
mydata$startdate<-as.Date(as.character(mydata$startdate), "%Y%m%d")
mydata$enddate<-as.Date(as.character(mydata$enddate), "%Y%m%d")

数据集说明 #

• ID为R007的人2008-2012年居住在同一地址；
• ID为R008的人2008-2011年居住在地址2，2012年居住在地址3；
• ID为R009的人2012年上半年居住在地址4，最后两个月居住在地址5。

需求 #

以6月为参考月，若某人6月居住在某地址，则将该地址分配为其全年的地址，最终将数据集重排为每人每年一行的格式，目标结果如下：

endresult<-data.frame(id = c("R007", "R007","R007","R007","R007",
                             "R008", "R008", "R008", "R008","R008", "R009"),
                      statenumber = c(1,1,1,1,1,2,2,2,2,3,4),
                      year = c(2008, 2009, 2010, 2011, 2012,
                               2008,2009,2010,2011,2012, 2012))

实现方案 #

可以通过以下步骤完成转换，这里使用dplyr、tidyr和lubridate包简化操作（未安装的话先运行install.packages(c("dplyr", "tidyr", "lubridate", "purrr"))）：

library(dplyr)
library(tidyr)
library(lubridate)
library(purrr)

# 1. 生成每个居住记录覆盖的所有年份并展开
mydata <- mydata %>%
  mutate(
    start_year = year(startdate),
    end_year = year(enddate),
    year = map2(start_year, end_year, seq)
  ) %>%
  unnest(year)

# 2. 生成每年的6月1日作为参考日期
mydata <- mydata %>%
  mutate(ref_date = as.Date(paste0(year, "-06-01")))

# 3. 筛选参考日期落在居住时段内的记录，同一人同一年仅保留一条
result <- mydata %>%
  filter(ref_date >= startdate & ref_date <= enddate) %>%
  group_by(id, year) %>%
  slice(1) %>%
  ungroup() %>%
  select(id, statenumber, year) %>%
  arrange(id, year)

代码解释 #

1. 生成覆盖年份：通过map2和seq生成每个居住记录覆盖的年份范围，再用unnest将年份序列展开为每行对应一个年份；
2. 设置参考日期：为每个年份生成当年6月1日，作为判断居住地址的基准；
3. 筛选有效记录：判断参考日期是否处于该条居住记录的时间区间内，保留符合条件的记录，确保同一人同一年仅保留一条；
4. 整理结果：选择需要的列并按ID、年份排序，得到目标格式。

验证结果 #

运行代码后，result的结构与内容和目标数据集完全一致：

> result
# A tibble: 11 × 3
   id    statenumber  year
   <chr>       <dbl> <int>
 1 R007            1  2008
 2 R007            1  2009
 3 R007            1  2010
 4 R007            1  2011
 5 R007            1  2012
 6 R008            2  2008
 7 R008            2  2009
 8 R008            2  2010
 9 R008            2  2011
10 R008            3  2012
11 R009            4  2012

内容的提问来源于stack exchange，提问作者Albert