基于日期区间为分组动态分配ep_id的实现方法

数据集示例 #

library(tidyverse)

id <- c(1,1,1,2,2,2,3,3,4)
date <- c("2020-01-01","2020-02-04", "2021-06-08","2022-05-08","2021-08-09","2021-11-29","2020-04-12", "2022-09-12", "2022-09-22")

df <- data.frame(id,date)

# 查看数据集
df %>% as_tibble()

输出：

# A tibble: 9 × 2
     id date      
  <dbl> <chr>     
1     1 2020-01-01
2     1 2020-02-04
3     1 2021-06-08
4     2 2022-05-08
5     2 2021-08-09
6     2 2021-11-29
7     3 2020-04-12
8     3 2022-09-12
9     4 2022-09-22

预期输出 #

# A tibble: 9 × 3
     id date       ep_id
  <dbl> <chr>      <dbl>
1     1 2020-01-01     1
2     1 2020-02-04     1
3     1 2021-06-08     2
4     2 2022-05-08     2
5     2 2021-08-09     1
6     2 2021-11-29     2
7     3 2020-04-12     1
8     3 2022-09-12     2
9     4 2022-09-22     1

解决方案 #

核心思路 #

1. 将字符串格式的日期转为日期类型，便于计算间隔
2. 按id分组后，先对每组内的日期排序
3. 计算当前日期与前一个日期的间隔，超过90天则标记为新周期
4. 累加标记生成连续的ep_id

代码实现 #

df %>%
  mutate(date = as.Date(date)) %>%
  group_by(id) %>%
  arrange(date, .by_group = TRUE) %>%
  mutate(
    # 计算与前一个日期的间隔，第一个日期默认与自身间隔为0
    days_diff = date - lag(date, default = first(date)),
    # 间隔超过90天标记为新周期
    new_ep = ifelse(days_diff > 90, 1, 0),
    # 累加标记生成ep_id
    ep_id = cumsum(new_ep) + 1
  ) %>%
  ungroup() %>%
  # 恢复原数据的行顺序
  arrange(match(row_number(), as.integer(rownames(df)))) %>%
  select(id, date, ep_id)

结果说明 #

运行上述代码后，id=2的2022-05-08对应的ep_id为3，与你给出的预期不同——原因是该日期与前一个日期2021-11-29间隔160天，超过90天，按逻辑应开启新周期。如果你的预期是笔误，上述代码符合“相邻日期间隔超90天则分配新ep_id”的规则；如果需求是其他逻辑，可调整判断条件。

扩展：基于聚类的分组（任意日期间隔≤90天归为同一ep_id） #

如果需要将同一ep_id内所有日期两两间隔不超过90天，可使用聚类算法实现：

library(dbscan)

df %>%
  mutate(date = as.Date(date)) %>%
  group_by(id) %>%
  mutate(
    # 将日期转为数值（自1970-01-01的天数）
    date_num = as.numeric(date),
    # 以90天为聚类半径，分配ep_id
    ep_id = dbscan(matrix(date_num, ncol=1), eps=90, minPts=1)$cluster
  ) %>%
  ungroup() %>%
  select(id, date, ep_id) %>%
  arrange(match(row_number(), as.integer(rownames(df))))

内容的提问来源于stack exchange，提问作者a nony mouse