基于访视日期/时间生成Pre-Post标签的实现方法咨询

下面针对Python（Pandas）和R语言（dplyr）两种常用数据处理场景，给出实现逻辑：

Python（Pandas） #

假设你的数据集包含subject_id（受试者ID）和visit_time（访视时间数值）两列，可通过分组匹配+时间比较完成标记：

方法1：基于分组的最小/最大值匹配 #

import pandas as pd

# 加载数据集（替换为你的数据路径/读取方式）
df = pd.read_csv('your_dataset.csv')

# 按受试者ID分组，计算每组的最小和最大访视时间
group_stats = df.groupby('subject_id')['visit_time'].agg(['min', 'max']).reset_index()

# 将分组统计结果合并回原数据集
df = df.merge(group_stats, on='subject_id')

# 根据访视时间与组内最小/最大值的匹配关系标记阶段
df['phase'] = df.apply(
    lambda row: 'pre' if row['visit_time'] == row['min'] 
                else 'post' if row['visit_time'] == row['max']
                else 'other',  # 处理同一受试者有多于两次访视的情况
    axis=1
)

# 清理中间生成的列（可选）
df.drop(['min', 'max'], axis=1, inplace=True)

方法2：基于排名的标记 #

如果需要更灵活的排序逻辑，可通过分组排名实现：

df['visit_rank'] = df.groupby('subject_id')['visit_time'].rank(method='min')

df['phase'] = df.apply(
    lambda row: 'pre' if row['visit_rank'] == 1 
                else 'post' if row['visit_rank'] == df[df['subject_id'] == row['subject_id']]['visit_rank'].max()
                else 'other',
    axis=1
)

R语言（dplyr） #

用dplyr的分组+条件判断可以快速实现：

library(dplyr)

# 加载数据集（替换为你的数据路径/读取方式）
df <- read.csv("your_dataset.csv")

df <- df %>%
  group_by(subject_id) %>%
  mutate(
    # 计算每组的最小和最大访视时间
    min_time = min(visit_time),
    max_time = max(visit_time),
    # 条件标记阶段
    phase = case_when(
      visit_time == min_time ~ "pre",
      visit_time == max_time ~ "post",
      TRUE ~ "other"  # 处理多访视场景
    )
  ) %>%
  ungroup() %>%
  # 移除中间辅助列（可选）
  select(-min_time, -max_time)

关键注意事项 #

• 时间格式校验：确保visit_time是数值型变量（如日期转成的时间戳、天数差）。如果是原始日期字符串，需先转换：
  • Python：df['visit_time'] = pd.to_datetime(df['visit_time']).astype(int)
  • R：df$visit_time <- as.numeric(as.Date(df$visit_time))
• 多访视场景处理：如果同一受试者有超过两次访视，上述代码会将非最小/最大的记录标记为other，你可根据实际需求调整这部分逻辑（比如忽略这类记录，或进一步细分）。
• 重复时间处理：若同一受试者存在多个相同的最小/最大访视时间，所有匹配的记录都会被标记为pre/post，可根据业务规则决定是否去重或调整标记逻辑。

内容的提问来源于stack exchange，提问作者Samuel Montalvo