基于ID列与3天内滞后日期对Data Frame分组的技术需求

问题说明 #

需要对数据集按id分组，将每个id组内相邻日期间隔≤3天的记录归为同一子组，最终生成全局唯一的group编号。

原始数据集 #

id <- c("123", "123", "123", "123", "123", "456", "456")  
date <- as.Date(c("2022/10/01", "2022/10/04","2022/10/07", "2022/12/01", "2022/12/04", "2022/03/01", "2022/06/09"))

x <- data.frame(id, date)

实现代码（使用dplyr包） #

library(dplyr)

# 定义日期间隔阈值（示例为3天）
threshold <- 3

result <- x %>%
  # 按id分组，确保每组内日期有序
  group_by(id) %>%
  arrange(date, .by_group = TRUE) %>%
  # 计算当前日期与前一日期的差值，首次记录差值设为NA
  mutate(date_diff = date - lag(date)) %>%
  # 标记是否需要新建子组：差值>阈值或为首次记录
  mutate(new_group = is.na(date_diff) | date_diff > threshold) %>%
  # 生成组内的子组编号
  mutate(group_in_id = cumsum(new_group)) %>%
  ungroup() %>%
  # 将组内子组转换为全局唯一的group编号
  mutate(group = dense_rank(paste(id, group_in_id, sep = "_"))) %>%
  # 保留需要的列
  select(id, date, group)

print(result)

输出结果 #

代码说明 #

1. 分组与排序：先按id分组，同时对每组内的date排序，确保日期顺序正确。
2. 计算日期差：用lag(date)获取前一条记录的日期，计算差值。
3. 标记新组：当日期差超过阈值或为组内第一条记录时，标记为新组起点。
4. 生成组内编号：用cumsum(new_group)累加标记，得到每个id内的子组编号。
5. 全局编号转换：通过dense_rank将id+组内编号的组合转换为全局唯一的group编号。

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