在R中使用dplyr和mutate对新变量分类的技术问题

需求说明：

• 需生成名为Retention的分类变量，划分规则如下：
  • 若用户有后续预约，按当前预约与上一次预约的间隔天数分类
  • 若用户无后续预约，按首次预约日期至当前日期的间隔天数分类
  • 最终分为三类：
    • 3个月内留存（间隔<90天）
    • 6个月内留存（间隔90-180天）
    • 未留存（间隔>180天）

原代码存在的问题：

• 变量名不统一：手动创建了数据但代码中引用了未定义的data/test对象；Visit_Date与原始数据的visit_date大小写不一致
• Time_Since_Appointment被转成带时分秒的period类型，无法直接与数字天数比较
• 未处理无后续预约的用户（分组最后一条记录），未计算其到当前日期的间隔
• 分类逻辑有漏洞：遗漏了91天这类边界值，区间覆盖不完整

修正后的完整代码 #

# 加载依赖包
library(dplyr)
library(lubridate)

# 创建原始数据（修正NA表示，用原生NA而非字符串"NA"）
record_id <- c(1,1,1,2,3,4,4,5,6,7,8,8,9,10,10,10)
visit_date <- c("2018-09-24", "2018-12-05", "2019-03-01", "2018-10-03", 
                "2018-10-01", "2018-10-05", NA, "2018-08-25", "2018-09-19", 
                "2018-10-01", "2018-09-27", "2021-09-07", "2018-10-03", 
                "2018-10-08", "2019-03-22", "2019-07-12")
repeat_instance <- c(0,1,2,0,0,0,1,0,0,0,0,1,0,0,1,2)

# 数据预处理：转日期格式+过滤无效日期
data <- tibble(record_id, visit_date, repeat_instance) %>%
  mutate(visit_date = ymd(visit_date)) %>%
  filter(!is.na(visit_date))

# 分组计算间隔+生成Retention变量
data_processed <- data %>%
  group_by(record_id) %>%
  arrange(visit_date) %>% # 确保按预约时间排序
  mutate(
    # 计算当前与上一次预约的间隔天数
    days_interval = as.numeric(visit_date - lag(visit_date)),
    # 对无后续预约的记录，替换为首次预约到当前日期的间隔
    first_visit = first(visit_date),
    days_interval = ifelse(row_number() == n(), 
                           as.numeric(today() - first_visit), 
                           days_interval)
  ) %>%
  ungroup() %>%
  mutate(
    Retention = case_when(
      days_interval < 90 ~ "3个月内留存",
      days_interval >= 90 & days_interval <= 180 ~ "6个月内留存",
      days_interval > 180 ~ "未留存",
      TRUE ~ NA_character_ # 处理异常值
    )
  )

# 查看结果
print(data_processed)

关键说明 #

1. 日期处理：用ymd()将字符串转为标准日期格式，避免类型混乱
2. 间隔计算：将日期差转成数值型天数，解决period类型无法直接比较的问题；针对无后续预约的用户，自动计算首次预约到当前的间隔
3. 分类逻辑：修正区间边界，确保90、180天这类临界值被正确归类，同时保留异常值处理分支

内容的提问来源于stack exchange，提问作者Ariana Johnson