如何根据时间条件将dataframe的Disease_Name转为空白/NA

原始数据框 #

> dput(df)
structure(list(Person_ID = c(123L, 123L), Disease_Name = c("Heart Disease", 
"Lung Disease"), Disease_start = c("4/11/17", "4/11/17"), Procedure_start = c("4/11/18", 
"4/11/16")), class = "data.frame", row.names = c(NA, -2L))

处理规则 #

• 当Disease_start早于Procedure_start时，将Disease_Name设为空白/NA
• 当Disease_start晚于Procedure_start时，保留Disease_Name不变

期望输出 #

> dput(df2)
structure(list(Person_ID = c(123L, 123L), Disease_Name = c("", 
"Lung Disease"), Disease_start = c("4/11/17", "4/11/17"), Procedure_start = c("4/11/18", 
"4/11/16")), class = "data.frame", row.names = c(NA, -2L))

解决方案 #

注意：原始数据中的日期是字符格式，直接比较会有风险（比如不同月份的日期字符排序可能不符合实际日期顺序），所以第一步要先把日期列转为标准日期类型，完成判断后再转回原格式（如果需要和期望输出一致的话）。

方法1：基础R实现 #

# 转换日期列为Date类型
df$Disease_start_date <- as.Date(df$Disease_start, format = "%m/%d/%y")
df$Procedure_start_date <- as.Date(df$Procedure_start, format = "%m/%d/%y")

# 根据条件修改Disease_Name
df$Disease_Name <- ifelse(df$Disease_start_date < df$Procedure_start_date, "", df$Disease_Name)

# 移除临时日期列（可选）
df <- df[, !names(df) %in% c("Disease_start_date", "Procedure_start_date")]

# 查看结果
dput(df)

方法2：tidyverse（dplyr）实现 #

如果习惯用tidyverse语法，可以这样写：

library(dplyr)

df2 <- df %>%
  # 转换日期格式
  mutate(
    Disease_start_date = as.Date(Disease_start, format = "%m/%d/%y"),
    Procedure_start_date = as.Date(Procedure_start, format = "%m/%d/%y")
  ) %>%
  # 根据条件更新Disease_Name
  mutate(Disease_Name = case_when(
    Disease_start_date < Procedure_start_date ~ "",
    TRUE ~ Disease_Name
  )) %>%
  # 移除临时日期列
  select(-c(Disease_start_date, Procedure_start_date))

# 查看结果
dput(df2)

两种方法都能得到符合要求的输出，其中format = "%m/%d/%y"对应数据中的日期格式（月/日/两位年份），若你的日期格式不同，需要调整该参数。

内容的提问来源于stack exchange，提问作者Jamie