利用星期序号填充日期列缺失值的技术问询

我有一个长格式数据集，每个研究对象（subject）一周内被观测5次。数据集包含三列：case（研究对象编号）、day（观测的星期序号）、date（实际观测日期，存在缺失值）。需要利用day的序号信息填充date列的缺失值，示例数据集如下：

df <- data.frame(case = c(1, 1, 1, 1, 1, 2, 2, 2, 2, 2),
                 day = c(1, 2, 3, 4, 5, 1, 2, 3, 4, 5),
                 date = as.Date(c("2023-01-02", "2023-01-03", NA, NA, "2023-01-06",
                                  NA, "2021-05-11", "2021-05-12", "2021-05-13", NA)))
df
#  case day       date
#     1   1 2023-01-02
#     1   2 2023-01-03
#     1   3       <NA>
#     1   4       <NA>
#     1   5 2023-01-06
#     2   1       <NA>
#     2   2 2021-05-11
#     2   3 2021-05-12
#     2   4 2021-05-13
#     2   5       <NA>

期望输出：

#   case day       date
#1     1   1 2023-01-02
#2     1   2 2023-01-03
#3     1   3 2023-01-04
#4     1   4 2023-01-05
#5     1   5 2023-01-06
#6     2   1 2021-05-10
#7     2   2 2021-05-11
#8     2   3 2021-05-12
#9     2   4 2021-05-13
#10    2   5 2021-05-14

方法一：使用tidyverse工具链 #

核心思路是按case分组，通过已知日期与对应day的关系推算基准日期，再填充缺失值：

library(dplyr)
library(tidyr)

df_filled <- df %>%
  group_by(case) %>%
  # 计算当前day与组内最小day的差值
  mutate(day_offset = day - min(day)) %>%
  # 提取组内第一个非NA日期作为基准
  mutate(base_date = first(date[!is.na(date)])) %>%
  # 计算基准日期对应的day偏移量
  mutate(base_offset = day_offset[!is.na(date)][1]) %>%
  # 推导填充后的日期
  mutate(date = coalesce(date, base_date + (day_offset - base_offset))) %>%
  # 移除辅助列
  select(-day_offset, -base_date, -base_offset) %>%
  ungroup()

print(df_filled)

方法二：使用base R实现 #

无需额外包，通过循环处理每个研究对象组：

# 遍历每个唯一的研究对象
for (case_id in unique(df$case)) {
  group_data <- df[df$case == case_id, ]
  
  # 获取组内有效的日期和对应day
  valid_idx <- !is.na(group_data$date)
  valid_date <- group_data$date[valid_idx][1]
  valid_day <- group_data$day[valid_idx][1]
  
  # 计算基准日期：有效日期 - (有效day - 组内最小day)
  base_date <- valid_date - (valid_day - min(group_data$day))
  
  # 填充缺失的日期
  group_data$date[is.na(group_data$date)] <- base_date + (group_data$day[is.na(group_data$date)] - min(group_data$day))
  
  # 替换回原数据集
  df[df$case == case_id, ] <- group_data
}

print(df)

两种方法均基于同一研究对象的观测日期与day序号呈连续递增1天的规律，通过已知的日期-day对应关系推导基准点，完成缺失值填充。

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