R语言含NA值时计算首次事件日期间隔的技术问题

问题背景 #

刚从SPSS转用R，因项目需求处理长格式患者数据，遇到事件日期间隔计算的问题。

示例数据 #

数据包含患者ID、测量次数、event1和event2的发生日期（无事件为NA）：

df <- data.frame (
    ID = c(1, 1, 1, 2, 2, 2, 2, 3, 3),
    measurement = c (1, 2, 3, 1, 2, 3, 4, 1, 2),
    date_event1 = c(NA, NA, "2021-02-15", NA, NA, NA, "2021-03-01", NA, NA),
    date_event2 = c(NA, NA, NA, NA, "2021-03-06", NA, NA, "2022-02-02", "2022-02-02")
)

需求说明 #

按ID分组，仅当该ID同时存在event1和event2的首次事件时，计算两个首次事件的日期间隔（天数）；若仅存在一个事件或无事件，结果为NA。期望输出如下：

ID measurement date_event1 date_event2 interval
1           1       <NA>        <NA>       NA
1           2       <NA>        <NA>       NA
1           3 2021-02-15        <NA>       NA
2           1       <NA>        <NA>        5
2           2       <NA> 2021-03-06        5
2           3       <NA>        <NA>        5
2           4 2021-03-01        <NA>        5
3           1       <NA> 2022-02-02       NA
3           2       <NA> 2022-02-02       NA

核心问题 #

• 使用min()提取首次事件日期时，存在NA会报错；
• 使用min(x, na.rm=TRUE)时，若ID对应的事件全为NA会产生警告。

已尝试方案 #

曾尝试先标记全NA的ID再计算最小值，但仍出现警告：

df <- df %>%
  group_by(ID) %>%
    arrange(ID, measurement) %>%
    mutate(allNA1 = ifelse(all(is.na(date_event1)), 1, 0)) %>%
    mutate(allNA2 = ifelse(all(is.na(date_event2)), 1, 0)) %>%
  ungroup()

df$test <- ifelse(df$allNA1 == 0 & df$allNA2 == 0, 1, NA)

df <- df %>%
  group_by(ID) %>%
  mutate(mindate = if_else(test == 1, min(date_event1, na.rm=TRUE), NA_real_)) %>%
  ungroup ()

简洁解决方案 #

先将日期列转换为Date类型，分组时通过条件判断避免全NA的情况，再计算间隔：

library(dplyr)

# 转换日期列格式（字符型转日期型是计算间隔的前提）
df <- df %>%
  mutate(
    date_event1 = as.Date(date_event1),
    date_event2 = as.Date(date_event2)
  )

# 分组计算首次事件日期及间隔
df_result <- df %>%
  group_by(ID) %>%
  mutate(
    # 提取每个ID的首次event1日期，全NA则返回NA
    first_event1 = if (all(is.na(date_event1))) NA else min(date_event1, na.rm = TRUE),
    # 提取每个ID的首次event2日期，全NA则返回NA
    first_event2 = if (all(is.na(date_event2))) NA else min(date_event2, na.rm = TRUE),
    # 仅当两个首次事件都存在时计算间隔，否则返回NA
    interval = if (!is.na(first_event1) & !is.na(first_event2)) {
      abs(as.numeric(first_event2 - first_event1))
    } else {
      NA
    }
  ) %>%
  select(-first_event1, -first_event2) %>% # 移除中间变量
  ungroup()

print(df_result)

方案说明 #

1. 先转换日期类型：原数据中日期是字符型，必须转为Date类型才能计算日期间隔；
2. 条件判断避免警告：用if (all(is.na(...)))先判断是否全为NA，再决定是否调用min()，彻底消除全NA时的警告；
3. 间隔计算逻辑：仅当两个首次事件日期都非NA时，计算天数差的绝对值，否则返回NA，符合需求。

内容的提问来源于stack exchange，提问作者Mathijs