如何用R计算职业暴露时长？重叠年份仅统计一次

核心思路 #

针对每个研究对象-暴露因子组合，先合并重叠/相邻的暴露时段，再计算合并后所有时段的总时长（重叠年份仅统计一次）。

示例数据构造 #

先模拟你提到的dat数据集：

dat <- data.frame(
  ID = c(1, 2, 2),
  Exposure = c("A", "A", "A"),
  YEARIN = c(1990, 1995, 1998),
  YEAROUT = c(2000, 2000, 2005)
)

其中研究对象2的两个职业时段1995-2000和1998-2005存在3年重叠，最终总时长应为11年（1995-2005共11年）。

方法1：使用IRanges包（高效处理大型数据集） #

IRanges是专门用于区间操作的工具包，适合你的大型数据库：

# 安装包（首次使用需执行）
install.packages("IRanges")
library(IRanges)
library(dplyr)

# 计算去重后的总暴露时长
result <- dat %>%
  group_by(ID, Exposure) %>%
  summarise(
    # 创建闭区间对象（包含起始和结束年份）
    ranges = IRanges(start = YEARIN, end = YEAROUT),
    # 合并重叠/相邻区间
    merged_ranges = reduce(ranges),
    # 计算总时长：每个区间时长为结束年-起始年+1，再求和
    total_duration = sum(end(merged_ranges) - start(merged_ranges) + 1),
    .groups = "drop"
  )

运行后result会输出每个ID-暴露因子组合的去重总时长。

方法2：纯dplyr实现（无额外依赖） #

如果不想安装额外包，可以用dplyr手动合并区间：

library(dplyr)

# 计算去重后的总暴露时长
result <- dat %>%
  group_by(ID, Exposure) %>%
  arrange(YEARIN) %>% # 按起始年份排序，保证区间顺序正确
  mutate(
    # 标记独立区间：当前时段起始年 > 上一个时段结束年+1时，视为新区间
    interval_group = cumsum(YEARIN > lag(YEAROUT, default = -Inf) + 1)
  ) %>%
  group_by(ID, Exposure, interval_group) %>%
  summarise(
    start_year = min(YEARIN),
    end_year = max(YEAROUT),
    .groups = "drop"
  ) %>%
  group_by(ID, Exposure) %>%
  summarise(
    total_duration = sum(end_year - start_year + 1),
    .groups = "drop"
  )

此方法逻辑清晰，无需额外依赖，适合小型到中型数据集。

结果验证 #

针对示例数据，两种方法都会得到：

符合预期（研究对象2的重叠年份已去重）。

内容的提问来源于stack exchange，提问作者R_help