如何为同一UniqueID下阈值达标后20小时内的行重复标记统一标识

我有一个数万行的DataFrame，需新增Flagged分类列，标记规则如下：

• 当Transactions列值≥阈值（示例为100）时，标记该行，以及同一UniqueID下、该交易时间后20小时内的所有后续行为FR
• 每个UniqueID每次触发阈值条件时都执行该逻辑，其余行标记为NR

示例数据 #

library(lubridate)
UniqueID <- c(214123, 214123, 214123, 214123, 987556, 987556, 987556, 987556, 987556)
datetime <- ymd_hms("2021-12-5 21:16:00", "2021-12-6 10:16:00", "2021-12-8 08:16:00", "2021-12-30 01:26:00", "2021-12-5 10:33:00", "2021-12-6 08:16:00", "2021-12-6 13:26:00", "2022-01-6 13:26:00", "2022-01-6 13:26:00")
Transactions <- c(100, 30, 20, 110, 30, 105, 50, 20, 140)
df <- data.frame(UniqueID, datetime, Transactions)
df

字段说明 #

• UniqueID：用户唯一标识符
• datetime：交易发生时间
• Transactions：交易金额

期望结果 #

满足规则后，第1、2、4、6、7、9行标记为FR，其余为NR，最终数据如下：

library(lubridate)
UniqueID <- c(214123, 214123, 214123, 214123, 987556, 987556, 987556, 987556, 987556)
datetime <- ymd_hms("2021-12-5 21:16:00", "2021-12-6 10:16:00", "2021-12-8 08:16:00", "2021-12-30 01:26:00", "2021-12-5 10:33:00", "2021-12-6 08:16:00", "2021-12-6 13:26:00", "2022-01-6 13:26:00", "2022-01-6 13:26:00")
Transactions <- c(100, 30, 20, 110, 30, 105, 50, 20, 140)
Flagged <- c("FR", "FR", "NR", "FR", "NR", "FR", "FR", "NR", "FR")
df <- data.frame(UniqueID, datetime, Transactions, Flagged)
df

解决方案 #

采用dplyr分组+向量化操作，避免循环，高效处理数万行数据：

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

# 自定义参数：阈值和时间窗口
threshold <- 100
time_window <- hours(20)

df_processed <- df %>%
  # 按用户分组，确保每组交易按时间排序
  group_by(UniqueID) %>%
  arrange(datetime, .by_group = TRUE) %>%
  # 提取当前用户所有触发阈值的交易时间
  mutate(trigger_times = list(datetime[Transactions >= threshold])) %>%
  # 检查当前行是否落在任意触发时间的20小时窗口内
  mutate(Flagged = ifelse(
    map_lgl(trigger_times, ~ any(datetime >= .x & datetime <= .x + time_window)),
    "FR",
    "NR"
  )) %>%
  # 移除辅助列并取消分组
  select(-trigger_times) %>%
  ungroup()

# 查看处理结果
df_processed

核心逻辑说明 #

1. 先按用户分组并排序，保证时间顺序正确
2. 提取每个用户的所有触发阈值时间点，存为列表列
3. 对每一行，判断其时间是否落在任意触发点的20小时窗口内，满足则标记FR
4. 向量化操作替代循环，大幅提升大数据量处理效率

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