R语言使用lag函数时，如何跳过与当前行日期相同的历史行？

问题 #

现有包含Person、NoShow和date列的数据框：

Person NoShow       date
1    334      1 2019-07-07
2    334      1 2019-10-11
3    334      1 2020-07-07
4    334      1 2021-01-04
5    999      1 2021-06-03
6    999      1 2022-04-17
7    999      1 2022-05-03
8    999      0 2022-05-03

创建该数据框的代码：

df <- data.frame(Person = c('334','334','334','334','999','999','999','999'), 
                 NoShow = c(1,1,1,1,1,1,1,0), 
                 date = c('2019-07-07','2019-10-11','2020-07-07','2021-01-04','2021-06-03','2022-04-17','2022-05-03','2022-05-03')
)

需要生成三个新列：

• prior_noshow：用户是否有过早于当前行日期的历史失约记录
• prior_noshow_f：用户早于当前行日期的历史失约次数
• last_noshow：用户最近一次早于当前行日期的失约日期

原代码运行后，第8行的prior_noshow_f为3、last_noshow为2022-05-03，不符合需求——因为第7行和第8行日期相同，不应计入历史统计，期望第8行的prior_noshow_f为2、last_noshow为2022-04-17。

解决方案 #

核心思路是按用户分组后，针对每行单独筛选日期更早的历史失约记录，而非简单使用累计求和或滞后函数。

修改后的代码如下：

library(tidyverse)

df <- df %>%
  # 转换日期格式，确保比较逻辑准确
  mutate(date = as.Date(date)) %>%
  group_by(Person) %>%
  mutate(
    # 统计当前行之前、日期更早的失约次数
    prior_noshow_f = map_dbl(row_number(), ~ sum(NoShow[1:(.x-1)][date[1:(.x-1)] < date[.x]])),
    # 判断是否存在符合条件的历史失约
    prior_noshow = ifelse(prior_noshow_f > 0, 1, NA),
    # 获取最近一次早于当前日期的失约日期
    last_noshow = map_chr(row_number(), ~ {
      valid_dates = date[1:(.x-1)][NoShow[1:(.x-1)] == 1 & date[1:(.x-1)] < date[.x]]
      if (length(valid_dates) > 0) max(valid_dates) else NA_character_
    })
  ) %>%
  # 转回原字符格式（可选操作）
  mutate(date = as.character(date),
         last_noshow = as.character(last_noshow)) %>%
  ungroup()

代码说明 #

1. 先将date转为Date类型，避免字符格式导致的日期比较错误；
2. prior_noshow_f：通过map_dbl遍历每行，精准筛选当前行之前、日期更早且NoShow=1的记录并计数；
3. prior_noshow：基于失约次数判断是否存在有效历史失约；
4. last_noshow：筛选当前行之前的有效失约日期，取最大值即为最近一次的失约日期，无有效记录则返回NA；
5. 最后将日期转回字符格式，保持与原数据格式一致。

运行结果 #

Person NoShow date       prior_noshow_f prior_noshow last_noshow
  <chr>   <dbl> <chr>                <dbl>        <dbl> <chr>      
1 334         1 2019-07-07               0           NA NA         
2 334         1 2019-10-11               1            1 2019-07-07 
3 334         1 2020-07-07               2            1 2019-10-11 
4 334         1 2021-01-04               3            1 2020-07-07 
5 999         1 2021-06-03               0           NA NA         
6 999         1 2022-04-17               1            1 2021-06-03 
7 999         1 2022-05-03               2            1 2022-04-17 
8 999         0 2022-05-03               2            1 2022-04-17

可见第8行的prior_noshow_f为2，last_noshow为2022-04-17，完全符合需求。

内容的提问来源于stack exchange，提问作者Ray