如何为成对观测Data Frame生成时间先后二进制标识变量

需求回顾 #

我们需要为包含成对观测的Data Frame生成一个二进制标识变量，规则如下：

• 成对观测中时间戳更早的赋值为1，另一个为0
• 若仅一个时间戳缺失，非缺失的观测赋值为1
• 若两个时间戳均缺失，该组两个观测的标识均赋值为NA

示例数据 #

你提供的示例数据生成代码：

# Create a vector of pair IDs
pair_ids <- c(1, 1, 2, 2, 3, 3, 4, 4, 5, 5)

# Create a vector of observation IDs
obs_ids <- c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)

# Create a vector of date/time values, including some missing values
date_times <- c("2023-03-27 10:00:00", "2023-03-27 10:15:00", "2023-03-27 11:00:00",
                "2023-03-27 11:15:00", "2023-03-27 12:00:00", NA, NA,
                "2023-03-27 13:00:00", NA, NA)

# Create a data frame with the three columns
df <- data.frame(pair_id = pair_ids, obs_id = obs_ids, date_time = as.POSIXct(date_times))

方案一：使用dplyr（推荐） #

dplyr的分组操作适合处理这类按组逻辑计算的场景，代码可读性高且效率优异，适配大量成对数据：

library(dplyr)

df_processed <- df %>%
  group_by(pair_id) %>%
  mutate(
    # 统计每组时间戳缺失数量
    na_count = sum(is.na(date_time)),
    # 按规则生成标识变量
    flag = case_when(
      na_count == 2 ~ NA_integer_,
      na_count == 1 ~ as.integer(!is.na(date_time)),
      TRUE ~ as.integer(date_time == min(date_time, na.rm = TRUE))
    )
  ) %>%
  ungroup() %>%
  select(-na_count) # 移除中间计算列

代码逻辑说明

1. 按pair_id分组：确保每组仅包含一对观测
2. 统计缺失数：na_count用于判断当前组的缺失情况
3. 多条件分支：
   • 组内两个时间戳都缺失时，flag赋值为NA
   • 仅一个缺失时，非缺失观测赋值1，缺失的赋值0
   • 无缺失时，将时间戳等于组内最小值（最早时间）的观测赋值1，其余为0

方案二：Base R实现 #

如果不想加载额外包，可使用Base R的ave函数实现相同逻辑：

# 计算每组缺失数量
df$na_count <- ave(is.na(df$date_time), df$pair_id, FUN = sum)

# 生成标识变量
df$flag <- with(df, 
  ifelse(na_count == 2, NA_integer_,
    ifelse(na_count == 1, as.integer(!is.na(date_time)),
      as.integer(date_time == ave(date_time, pair_id, FUN = function(x) min(x, na.rm = TRUE)))
    )
  )
)

# 移除中间计算列
df$na_count <- NULL

处理后结果 #

运行上述任意方案后，得到的Data Frame如下：

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