在R中筛选检测结果跨度≥3年个体的DataFrame处理方法

血液检测数据集 #

id result date    
        A1 80     01/01/2006
        A1 70     02/10/2006
        A1 61     01/01/2007
        A1 30     01/01/2008
        A1 28     03/06/2008
        B2 40     01/01/2006
        B2 30     01/10/2006
        B2 25     01/01/2015
        B2 10     01/01/2020
        G3 28     01/01/2009
        G3 27     01/01/2014
        G3 25     01/01/2013
        G3 24     01/01/2011
        G3 22     01/01/2019
        U7 20     01/01/2005
        U7 19     01/01/2006
        U7 18     01/04/2006
        U7 18     01/08/2006

需求 #

仅保留血液检测结果时间跨度至少为3年的个体。

已有代码（日期转年份） #

df %>% 
  # 为每个ID创建年份列
  mutate(date = dmy(date)) %>% 
  mutate(year = year(date)) %>% 
  # 按ID分组
  group_by(ID, year) %>% 
  # 计算最大差值
  summarise(max_diff = max(year) - min(year))

问题 #

如何继续使用管道操作移除max_diff <3的个体？

期望输出 #

id result date    
    B2 40     2006
    B2 30     2006
    B2 25     2015
    B2 10     2020
    G3 28     2009
    G3 27     2014
    G3 25     2013
    G3 24     2011
    G3 22     2019

解决方案 #

你之前的代码存在分组错误：同时按ID和year分组会导致每个分组内的年份相同，计算出的max_diff始终为0，无法正确统计个体的时间跨度。修正后的管道操作如下：

方法一：直接在原数据中计算并筛选 #

library(dplyr)
library(lubridate)

df %>%
  # 转换日期格式并提取年份
  mutate(date = dmy(date), year = year(date)) %>%
  # 仅按ID分组，计算该个体的检测时间跨度
  group_by(id) %>%
  mutate(time_span = max(year) - min(year)) %>%
  # 筛选时间跨度≥3年的记录
  filter(time_span >= 3) %>%
  # 可选：移除临时计算的time_span列
  select(-time_span)

方法二：先筛选有效ID再过滤数据 #

如果需要保留中间的有效ID列表，也可以用这种方式：

# 先获取符合时间跨度要求的ID列表
valid_ids <- df %>%
  mutate(date = dmy(date), year = year(date)) %>%
  group_by(id) %>%
  summarise(time_span = max(year) - min(year)) %>%
  filter(time_span >= 3) %>%
  pull(id)

# 用有效ID过滤原数据
df %>%
  mutate(date = dmy(date), year = year(date)) %>%
  filter(id %in% valid_ids)

两种方法都能得到你想要的输出结果，筛选出B2和G3这两个时间跨度满足要求的个体数据。

后续计划 #

将筛选后的个体数据用于时间预测相关分析。

内容的提问来源于stack exchange，提问作者tacrolimus