如何在R语言中统计日期区间内每日唯一ID的数量？

嘿，我来帮你搞定这个需求！你想要统计每一天有多少个唯一ID处于入住（in）和退房（out）日期之间对吧？咱们一步步来实现，先提个小提醒：in是R的保留关键字，直接用会报错，所以先把列名改成date_in和date_out会更稳妥。

核心思路 #

要么把每个ID的入住时间段拆成每一天的记录，再按天统计；要么生成所有需要的日期，逐一筛选符合条件的ID。下面给你两种实用的实现方式：

方法一：拆分时间段（直观易懂） #

用lubridate处理日期，dplyr做数据清洗，tidyr拆分日期序列，适合数据量中等的情况：

# 加载所需包
library(lubridate)
library(dplyr)
library(tidyr)

# 修正列名 + 转换日期格式（原始是dd-mm-yyyy，用dmy函数）
df <- df %>% 
  rename(date_in = `in`, date_out = out) %>% 
  mutate(
    date_in = dmy(date_in),
    date_out = dmy(date_out)
  )

# 为每个ID生成入住期间的所有日期
df_expanded <- df %>% 
  mutate(day = map2(date_in, date_out, seq, by = "day")) %>% 
  unnest(day)

# 按天统计唯一ID数量，再转回你需要的日期字符串格式
df2 <- df_expanded %>% 
  group_by(day) %>% 
  summarise(count = n_distinct(id)) %>% 
  mutate(day = format(day, "%d-%m-%Y"))

方法二：直接筛选日期（高效省内存） #

如果你的数据量很大，拆分日期会占用过多内存，这种方法更高效：

library(lubridate)
library(dplyr)

# 同样先修正列名和转换日期
df <- df %>% 
  rename(date_in = `in`, date_out = out) %>% 
  mutate(
    date_in = dmy(date_in),
    date_out = dmy(date_out)
  )

# 生成从最早入住到最晚退房的所有日期
all_days <- seq(min(df$date_in), max(df$date_out), by = "day")

# 对每个日期，计算符合「入住≤当天≤退房」的唯一ID数
df2 <- tibble(day = all_days) %>% 
  rowwise() %>% 
  mutate(
    count = df %>% 
      filter(date_in <= day, date_out >= day) %>% 
      pull(id) %>% 
      n_distinct()
  ) %>% 
  ungroup() %>% 
  mutate(day = format(day, "%d-%m-%Y"))

验证示例数据 #

用你给出的两个ID测试，结果完全符合预期：

# 示例数据
sample_df <- data.frame(
  id = c(1,2),
  `in` = c("01-01-2020", "05-01-2020"),
  out = c("08-01-2020", "25-01-2020")
)

# 用上面任意一种方法处理后，df2的结果就是：
# day          count
# 01-01-2020   1
# 02-01-2020   1
# 03-01-2020   1
# 04-01-2020   1
# 05-01-2020   2
# ...以此类推，08-01-2020后count变回1直到25-01-2020

注意事项 #

• 一定要把字符型日期转换成Date类型，不然没法做日期比较和序列生成
• 如果你的日期格式不是dd-mm-yyyy，要调整lubridate的转换函数（比如mdy对应月-日-年格式）
• 超大数据量的话，可以试试data.table的非等值连接，效率会更高哦

内容的提问来源于stack exchange，提问作者Adrián Valls Carbó