在R语言中按分组（id）以首个日期为基准计算日期列差值

核心思路是按id分组后，提取每组内第一个非缺失的date_1作为统一基准，而非用lag()（它仅取前一行值，无法实现全局组基准）。

示例代码与步骤 #

首先加载dplyr包（处理分组操作），并构造示例数据集：

library(dplyr)

# 模拟你的数据集（包含缺失值）
df <- tibble(
  id = c(1,1,1,2,2),
  date_1 = as.Date(c("2023-01-01", NA, "2023-01-02", "2023-02-10", NA)),
  date_2 = as.Date(c("2023-01-03", "2023-01-05", "2023-01-06", "2023-02-12", "2023-02-15"))
)

执行分组计算：

df_result <- df %>%
  group_by(id) %>%
  mutate(
    # 提取组内第一个非NA的date_1作为基准日期
    base_date = first(date_1, na.rm = TRUE),
    # 计算date_2与基准的时间差（默认单位为天）
    date_diff = date_2 - base_date
  ) %>%
  ungroup()

输出结果 #

# A tibble: 5 × 5
     id date_1     date_2     base_date  date_diff
  <dbl> <date>     <date>     <date>     <drtn>   
1     1 2023-01-01 2023-01-03 2023-01-01 2 days   
2     1 NA         2023-01-05 2023-01-01 4 days   
3     1 2023-01-02 2023-01-06 2023-01-01 5 days   
4     2 2023-02-10 2023-02-12 2023-02-10 2 days   
5     2 NA         2023-02-15 2023-02-10 5 days   

关键说明 #

• 为什么lag()不行？lag()是取当前行的前一行值，无法固定为组内第一个可用日期，当组内存在缺失值或多行时，会导致基准值混乱。
• 如果date_1是字符格式，先通过as.Date(date_1)转换为日期类型。
• 如需其他时间单位（周、月），可结合lubridate包：

  library(lubridate)
  
  df_result <- df %>%
    group_by(id) %>%
    mutate(
      base_date = first(date_1, na.rm = TRUE),
      date_diff_weeks = as.duration(date_2 - base_date) / dweeks(1),
      date_diff_months = interval(base_date, date_2) %/% months(1)
    ) %>%
    ungroup()
  

内容的提问来源于stack exchange，提问作者CharlesLDN