求基于分组时间区间计算个体活跃月数的data.table/dplyr实现方案

嗨，我帮你整理了两种分别用dplyr和data.table实现的方案，核心都是先合并每个个体的重叠/连续活动区间，再计算累计的活跃月数，完全匹配你的需求：

dplyr 实现方案 #

需要用到dplyr做分组处理，lubridate来处理日期区间：

# 加载所需包
library(dplyr)
library(lubridate)

# 你的示例数据
df <- data.frame(
  id=c("x", "y", "y", "z", "z"),
  activity=c("a1", "b1", "b2", "c1", "c2"),
  start=c(as.Date("2017-07-01"), as.Date("2018-04-01"), as.Date("2018-07-01"), as.Date("2017-07-01"), as.Date("2018-02-01")),
  end=c(as.Date("2018-07-31"), as.Date("2018-05-31"), as.Date("2018-07-31"), as.Date("2018-02-28"), as.Date("2018-07-31"))
)

# 计算累计活跃月数
result_dplyr <- df %>%
  group_by(id) %>%
  # 将每条活动记录转为时间区间
  mutate(activity_interval = interval(start, end)) %>%
  # 合并所有重叠或连续的区间
  summarise(merged_intervals = reduce(activity_interval, ~union(..1, ..2))) %>%
  # 计算合并后区间的总活跃月数，取整得到整数
  mutate(active_months = as.integer(round(sum(interval_length(merged_intervals, "month"))))) %>%
  select(id, active_months)

print(result_dplyr)

运行后会得到你期望的结果：

# A tibble: 3 × 2
  id    active_months
  <chr>         <int>
1 x                13
2 y                 3
3 z                13

data.table 实现方案 #

用data.table的高效分组和操作来实现，同样依赖lubridate计算区间长度：

# 加载所需包
library(data.table)
library(lubridate)

# 转换为data.table格式
setDT(df)

# 计算累计活跃月数
result_dt <- df[, .(start, end), by = id][
  # 按id和开始日期排序
  order(start),
  # 生成分组标识，合并重叠/连续区间
  .(start = first(start), end = max(end)),
  by = .(id, grp = cumsum(c(TRUE, start[-1] > shift(end)[-1])))
][
  # 按id分组，计算合并后区间的总活跃月数
  , .(active_months = as.integer(round(sum(interval_length(interval(start, end), "month"))))), 
  by = id
]

print(result_dt)

运行结果和dplyr方案一致：

id active_months
1:  x            13
2:  y             3
3:  z            13

关键思路说明 #

两种方案的核心都是先合并重叠区间，避免重复计算活跃月份：

• 对于个体y，两条活动区间2018-04-01至2018-05-31和2018-07-01至2018-07-31没有重叠，所以累计是2+1=3个月
• 对于个体z，两条区间2017-07-01至2018-02-28和2018-02-01至2018-07-31有重叠，合并后是2017-07-01至2018-07-31，共13个月

内容的提问来源于stack exchange，提问作者Antoine