从Stata转R：为复发事件时长生成月度虚拟变量求助

需求说明 #

基于治疗阶段时长（dur_t1首次治疗月数、dur_t2第二次治疗月数）和阶段间隔时长（dur_nt1），为每个月份生成哑变量：1代表当月接受治疗，0代表无治疗，超出总时长或因NA中断的月份标记为NA。数据集规模为85000条观测，需保证处理效率。

解决方案 #

方法一：向量化列操作（高效适配大数据） #

通过向量运算直接生成每个月份的哑变量，避免逐行遍历，处理85000条数据速度极快。

library(dplyr)

# 确定需要生成的最大月份数（基于数据中各时长的最大值）
max_month <- max(df$dur_t1, na.rm = TRUE) + max(df$dur_nt1, na.rm = TRUE) + max(df$dur_t2, na.rm = TRUE)

# 循环生成每个month列
for (m in 1:max_month) {
  df[[paste0("month", m)]] <- case_when(
    # 首次治疗期：月份<=首次治疗时长
    m <= df$dur_t1 ~ 1L,
    # 间隔期：存在间隔时长，且月份处于首次治疗结束后到间隔结束前
    !is.na(df$dur_nt1) & m > df$dur_t1 & m <= df$dur_t1 + df$dur_nt1 ~ 0L,
    # 第二次治疗期：存在第二次治疗时长，且月份处于间隔结束后到第二次治疗结束前
    !is.na(df$dur_t2) & m > df$dur_t1 + df$dur_nt1 & m <= df$dur_t1 + df$dur_nt1 + df$dur_t2 ~ 1L,
    # 其他情况（如间隔时长为NA导致后续无数据、超出总时长）
    TRUE ~ NA_integer_
  )
}

方法二：长表转宽表（逻辑清晰易理解） #

若更关注逻辑可读性，可先将每个id的月份序列展开为长表，标记状态后再转回宽表。tidyr函数经过优化，处理大数据也能保持较好性能。

library(dplyr)
library(tidyr)

df_processed <- df %>%
  rowwise(id) %>%
  mutate(
    # 计算每个id的总有效月份数
    total_months = case_when(
      is.na(dur_nt1) ~ dur_t1,
      TRUE ~ dur_t1 + dur_nt1 + (dur_t2 %||% 0L)
    ),
    # 生成1到总月份的序列
    month = list(1:total_months),
    # 标记每个月份的治疗状态
    status = case_when(
      month <= dur_t1 ~ 1L,
      !is.na(dur_nt1) & month > dur_t1 & month <= dur_t1 + dur_nt1 ~ 0L,
      !is.na(dur_t2) & month > dur_t1 + dur_nt1 ~ 1L,
      TRUE ~ NA_integer_
    )
  ) %>%
  unnest_longer(c(month, status)) %>%
  # 转换为宽表格式
  pivot_wider(
    id_cols = c(id, dur_t1, dur_nt1, dur_t2),
    names_from = month,
    names_prefix = "month",
    values_from = status
  ) %>%
  # 填充未覆盖的月份为NA
  mutate(across(starts_with("month"), ~replace_na(.x, NA_integer_)))

结果验证 #

两种方法均可生成符合预期的输出：

• 对于id=2：dur_t1=3、dur_nt1=3、dur_t2=2，month1-3=1、month4-6=0、month7-8=1
• 对于id=3：dur_nt1=NA，仅month1=1，其余月份为NA
• 对于id=1：dur_nt1=0，month1-6=1，后续月份为NA

内容的提问来源于stack exchange，提问作者idborquez