基于日期区间与阈值的DataFrame二值列编码技术求助

问题分析 #

原代码存在以下关键问题：

1. 分组错误：应按IDrow分组，而非IDrow+Date，否则无法跨日期关联同一ID的NP1和NP2数据
2. 日期逻辑错误：未提取每个ID对应的NP1基准日期，导致区间判断无效
3. 数据类型问题：value列被转为字符型，无法进行数值比较
4. 缺失默认分支：case_when未定义不满足条件时的返回值，导致结果出现NA

修正后的代码 #

library(dplyr)
library(lubridate)

# 构造数据时直接处理类型，避免后续转换问题
IDrow <- c("ID1", "ID1", "ID2", "ID3", "ID3", "ID3", "ID4", "ID4", "ID5", "ID5")
type <- c("NP1", "NP2", "NP1", "NP1", "NP2", "NP2", "NP1", "NP2", "NP1", "NP2")
Date <- ymd(c("2018-06-11","2018-08-21",
              "2016-04-23", 
              "2015-11-24", "2015-11-24", "2016-11-24",
              "2015-01-01", "2018-01-01",
              "2013-04-04", "2013-04-04"))
value <- as.numeric(c("4.5", "55", 
                      "4.7",
                      "9.5", "7390", "308",
                      "6.0", "100",
                      "4.0", "13"))
df <- data.frame(IDrow, type, Date, value)

# 核心逻辑：按ID分组，判断是否存在符合条件的NP2
df <- df %>%
  group_by(IDrow) %>%
  mutate(
    # 提取当前ID的NP1日期（假设每个ID仅一个NP1）
    np1_date = Date[type == "NP1"],
    # 计算±1年的日期区间
    date_low = np1_date - years(1),
    date_high = np1_date + years(1),
    # 检查是否存在满足所有条件的NP2记录
    valid_np2_exists = any(type == "NP2" & Date >= date_low & Date <= date_high & value > 25),
    # 设置positive列：存在则为1，否则为0
    positive = ifelse(valid_np2_exists, 1, 0)
  ) %>%
  # 移除辅助列（可选，根据需求保留）
  select(-np1_date, -date_low, -date_high, -valid_np2_exists) %>%
  ungroup()

print(df)

代码说明 #

1. 类型预处理：构造数据时直接将Date转为日期型、value转为数值型，避免后续类型转换的麻烦
2. 正确分组：按IDrow分组，确保同一ID下的所有行可以共享NP1的基准日期信息
3. 区间计算：基于每个ID的NP1日期，计算出±1年的上下限
4. 条件判断：用any()函数检查当前ID下是否存在满足所有条件的NP2记录，只要有一条符合，该ID所有行的positive都设为1
5. 默认值设置：通过ifelse直接定义两种情况的返回值，避免出现NA

内容的提问来源于stack exchange，提问作者SorenRand