如何基于多段起止时间计算去重后的活跃总天数？

问题背景 #

现有包含用户活跃周期起止时间的数据集，需要计算每个用户去重后的活跃总天数——即重叠或重复的日期区间只计数一次。原始代码直接累加各周期天数，导致重复计数，期望结果为 A=2,B=4,C=6。

原始数据 #

data <- data.frame(
  ID = c("A","A","B","B","C","C","C"), 
  start = c("2022-09-01", "2022-09-01", "2022-09-04", "2022-09-05", "2022-09-25", "2022-09-30", "2022-09-30"), 
  end = c("2022-09-01", "2022-09-02", "2022-09-05", "2022-09-07", "2022-09-27", "2022-09-30", "2022-10-02")
)

问题分析 #

原代码直接计算每个周期的天数并累加，但未处理重叠/重复的日期区间：

• 比如ID A的两个区间[2022-09-01,2022-09-01]和[2022-09-01,2022-09-02]，原代码累加得到1+2=3，但实际去重后仅为2天。

解决方案 #

通过合并重叠/相邻的时间区间，再计算总天数，实现去重计数：

library(tidyverse)
library(lubridate)

# 转换日期格式为lubridate可处理的类型
data <- data %>% 
  mutate(
    start = ymd(start),
    end = ymd(end)
  )

# 分组计算去重活跃天数
active_days_result <- data %>%
  group_by(ID) %>%
  # 将每个用户的所有活跃周期转为时间区间列表
  summarise(intervals = list(interval(start, end)), .groups = "drop") %>%
  # 合并重叠或相邻的区间
  mutate(merged_intervals = map(intervals, ~ reduce(., interval_union))) %>%
  # 计算每个合并后区间的天数并求和（+1是因为包含起止当天）
  mutate(active_days = map_dbl(merged_intervals, ~ sum(as.numeric(. / days(1)) + 1))) %>%
  # 保留所需列
  select(ID, active_days)

# 输出结果
print(active_days_result)

运行结果 #

# A tibble: 3 × 2
  ID    active_days
  <chr>       <dbl>
1 A               2
2 B               4
3 C               6

代码逻辑说明 #

1. interval(start, end)：将每个起止时间对转为lubridate时间区间对象；
2. reduce(., interval_union)：对每个用户的区间列表进行迭代合并，自动处理重叠或相邻的区间；
3. as.numeric(. / days(1)) + 1：将合并后的区间转为天数（区间长度除以1天得到天数差，加1是因为要包含起止当天），最后求和得到去重后的总活跃天数。

内容的提问来源于stack exchange，提问作者KintensT