纵向数据按id和gen分组计算time2-time1的缺失时间点处理咨询

我有一份纵向数据库，变量说明：

• id：个体标识
• grup_int：分组分类变量
• gen：待测量变量
• time：测量时间点
• value：测量值

数据示例：

id grup_int gen   time   value
     <dbl>    <dbl> <chr> <chr>  <dbl>
1 60801001        1 adrb2 2     2.11  
2 60801001        1 ccl2  1     0.941 
3 60801001        1 ccl2  2     0.248 
4 60801001        1 ccl3  1     5.65  
5 60801001        1 ccl3  2     NA

尝试用以下代码计算time=2与time=1的value差值：

df %>% dplyr::group_by(id, gen) %>%  dplyr::mutate(d_post_pre =  value [time == 2] - value [time == 1])

运行后报错：

`d_post_pre` must be size 1, not 0.
ℹ The error occurred in group 1: id = 60801001, gen = "adrb2".

报错原因是部分组（如adrb2）缺少time=1的条目；另外存在time点齐全但value为NA的情况（如ccl3），这种情况无需特殊处理，保留NA即可。需要修改代码规避报错，缺失必要时间点时返回NA或特定值方便后续过滤。

附数据结构：

df <- structure(list(id = structure(c(60801001, 60801001, 60801001, 
60801001, 60801001), label = "Identificador", format.spss = "F9.0", display_width = 14L), 
    grup_int = structure(c(1, 1, 1, 1, 1), format.spss = "F2.0"), 
    gen = c("adrb2", "ccl2", "ccl2", "ccl3", "ccl3"), time = c("2", 
    "1", "2", "1", "2"), value = c(2.1098254, 0.94088, 0.24778089, 
    5.6529145, 0.06939283)), class = c("tbl_df", "tbl", "data.frame"
), row.names = c(NA, -5L))

方法1：用first()提取对应时间点的value #

通过first()提取指定time的value，当某个time不存在时会返回NA，差值计算自然得到NA，不会触发报错：

df %>%
  dplyr::group_by(id, gen) %>%
  dplyr::mutate(
    d_post_pre = first(value[time == "2"]) - first(value[time == "1"])
  ) %>%
  dplyr::ungroup()

方法2：转宽格式计算差值（更直观） #

先将长格式数据转为宽格式，让time=1和time=2的value各占一列，计算差值后可按需转回长格式：

# 转宽格式并计算差值
df_wide <- df %>%
  dplyr::pivot_wider(
    id_cols = c(id, grup_int, gen),
    names_from = time,
    values_from = value,
    names_prefix = "time_"
  ) %>%
  dplyr::mutate(d_post_pre = time_2 - time_1)

# 如需转回长格式
df_long <- df_wide %>%
  dplyr::pivot_longer(
    cols = starts_with("time_"),
    names_to = "time",
    values_to = "value",
    names_prefix = "time_"
  ) %>%
  dplyr::select(id, grup_int, gen, time, value, d_post_pre)

方法3：先汇总差值再关联回原数据 #

如果只需要每个(id, gen)组的差值，先汇总生成差值表，再左连接到原数据：

diff_df <- df %>%
  dplyr::group_by(id, gen) %>%
  dplyr::summarise(
    d_post_pre = first(value[time == "2"]) - first(value[time == "1"]),
    .groups = "drop"
  )

df %>%
  dplyr::left_join(diff_df, by = c("id", "gen"))

以上方法都会在缺少time=1或time=2时返回NA，value本身的NA会保留在差值结果中，符合需求。

内容的提问来源于stack exchange，提问作者Javier Hernando