如何在R中按ID结合lag()处理循环中的滞后日期数据清洗

首先修正你提供的原始代码（存在语法错误），并按以下步骤处理数据：

1. 修正并准备数据 #

先加载data.table包，修正数据的语法问题，并将字符型日期转换为可运算的Date类型：

library(data.table)
# 修正原始数据的语法错误
DT <- data.table(
    ID = c(1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L),
    START_DATE = c("2012-01-01", "2012-01-01", "2012-01-05", "2012-02-01",
                   "2012-02-20", "2012-03-07", "2012-05-16", "2012-05-16"),
    END_DATE = c("2012-01-04", "2012-01-04", "2012-01-18", "2012-02-19",
                 "2012-03-06", "2012-03-18", "2012-06-02", "2012-06-02")
)

# 将字符型日期转换为Date类型，方便后续日期运算
DT[, c("START_DATE", "END_DATE") := lapply(.SD, as.Date), .SDcols = c("START_DATE", "END_DATE")]

2. 标记连续日期区间组 #

按ID分组，通过lag()判断当前行的起始日期是否与上一行的结束日期连续（即当前起始日期 = 上一行结束日期 + 1），用cumsum()为连续的区间标记同一组号：

# 按ID分组，创建组标识：连续区间归为同一组
DT[, group := cumsum(
    # 第一行默认开启新组，后续若当前起始日期晚于上一行结束日期+1，则开启新组
    is.na(lag(END_DATE)) | START_DATE > lag(END_DATE) + 1
), by = ID]

3. 合并连续区间的日期 #

按ID和group分组，将每组的起始日期替换为组内最早的日期，结束日期替换为组内最晚的日期：

# 按ID和组号合并日期
DT[, `:=`(
    START_DATE = min(START_DATE),
    END_DATE = max(END_DATE)
), by = .(ID, group)]

# 若不需要临时的group列，可删除
DT[, group := NULL]

运行上述代码后，即可得到你期望的结果：

> DT
   ID START_DATE   END_DATE
1:  1 2012-01-01 2012-01-18
2:  1 2012-01-01 2012-01-18
3:  1 2012-01-01 2012-01-18
4:  1 2012-02-01 2012-02-19
5:  2 2012-02-20 2012-03-18
6:  2 2012-02-20 2012-03-18
7:  2 2012-05-16 2012-06-02
8:  2 2012-05-16 2012-06-02

关键逻辑说明 #

• 日期类型转换：必须将字符型日期转为Date类型，才能进行日期加减和比较运算。
• 组标识创建：利用cumsum()累加不连续的触发条件，自动为连续区间分配相同组号，替代繁琐的循环判断。
• 分组聚合：通过data.table的分组操作，高效替换每组的起始/结束日期，比for循环更简洁高效。

内容的提问来源于stack exchange，提问作者Rlerner