如何用R（Base或dplyr）筛选英数测试间隔≤30天的学生

现有包含student_id、date、test三个字段的数据集，需求是筛选出存在任意英语（english）测试与数学（math）测试间隔小于30天的学生（测试先后顺序不影响）。运行GPT提供的dplyr代码时触发如下报错：

Error: Problem with mutate() column diff.
i diff = abs(...).
i diff must be size 3 or 1, not 2.
i The error occurred in group 1: student_id = "A".

数据集代码 #

df <- data.frame(student_id = c("A", "C", "A", "B", "C", "B", "C", "C", "B", "A", "A"),
                 date = as.Date(c("2022-01-02", "2022-05-02", "2022-04-07", "2022-03-09", "2022-04-02", "2022-04-02", "2022-03-16", "2022-03-01", "2022-05-10", "2022-01-17", "2022-04-02")),
                 test = c("english", "science", "math", "english", "math", "science", "english", "math", "math", "math", "science"))

报错原因 #

原代码的核心问题是：当单个学生有多条英语或数学测试记录时，date[test == "english"]和date[test == "math"]返回的向量长度不匹配，导致difftime计算出的时间差数量与当前分组的行数不一致。比如学生A有1条英语记录、2条数学记录，计算后会得到2个时间差，但分组后当前行有3条（1英+2数），mutate要求生成的diff列长度必须和行数完全一致，因此触发维度错误。

修复方案 #

以下两种方法均可实现需求，且能避免维度不匹配问题：

方法1：宽表化后生成所有英数日期组合

先将数据转换为宽表格式，给同一学生的同类型测试记录编号，再生成所有英语与数学日期的组合，最后筛选间隔小于30天的学生：

library(dplyr)
library(tidyr)

df_filtered <- df %>%
  # 只保留英语和数学测试记录
  filter(test %in% c("english", "math")) %>%
  # 给同一学生的同类型测试记录编序号，避免宽表化时丢失数据
  mutate(row_id = row_number(), .by = c(student_id, test)) %>%
  # 转换为宽表，英语和数学日期分别作为列
  pivot_wider(names_from = test, values_from = date) %>%
  # 生成当前学生所有英语与数学日期的组合
  expand_grid(english, math, .by = student_id) %>%
  # 计算时间差的绝对值（单位：天）
  mutate(diff = abs(as.numeric(difftime(english, math, units = "days")))) %>%
  # 筛选间隔小于等于30天的记录
  filter(diff <= 30) %>%
  # 提取去重后的学生ID
  select(student_id) %>%
  distinct()

方法2：分组后生成测试记录两两组合

在学生分组内生成所有测试记录的两两组合，筛选出英语与数学的配对，再判断时间间隔：

library(dplyr)

df_filtered <- df %>%
  # 只保留英语和数学测试记录
  filter(test %in% c("english", "math")) %>%
  # 按学生分组
  group_by(student_id) %>%
  # 生成当前学生所有测试记录的两两组合
  cross_join(., ., suffix = c("_x", "_y")) %>%
  # 排除同类型测试的组合（如英语和英语、数学和数学）
  filter(test_x != test_y) %>%
  # 计算时间差的绝对值（单位：天）
  mutate(diff = abs(as.numeric(difftime(date_x, date_y, units = "days")))) %>%
  # 筛选间隔小于等于30天的记录
  filter(diff <= 30) %>%
  # 提取去重后的学生ID
  select(student_id) %>%
  distinct() %>%
  # 取消分组
  ungroup()

结果验证 #

运行上述代码后，会得到符合条件的学生ID：A和C。其中：

• 学生A的英语测试（2022-01-02）与数学测试（2022-01-17）间隔15天，满足条件；
• 学生C的英语测试（2022-03-16）与数学测试（2022-03-01）间隔15天，满足条件；
• 学生B的英语测试与所有数学测试间隔均超过30天，被排除。

内容的提问来源于stack exchange，提问作者Bahi8482