使用R dplyr按条件计算日期序列的累计时间差

输入数据 #

dt <-
  data.frame(
    date = as.Date(
      c("2022-01-01", "2022-01-03", "2022-01-05", "2022-01-06", "2022-01-07", "2022-02-01", "2022-02-01"))
  )

需求说明 #

需对上述日期序列进行分组并标记flag，规则如下：

• 每个分组的首个日期与最后一个日期的时间差≤2天
• 当前分组达到最长可能长度后，从后续日期开始创建新分组
• 标记规则：分组的起始日期标记为0，同分组内后续日期标记为1；若后续日期无法加入当前分组，则作为新分组的起始

示例输出 #

期望得到的结果示例：

result <-
  data.frame(
    date = as.Date(
      c("2022-01-01", "2022-01-03", "2022-01-05", "2022-01-06", "2022-01-07", "2022-02-01", "2022-02-01")),
    flag = c(0, 1, 1, 0, 0, 1, 0)
  )

dplyr解法 #

严格遵循需求规则的实现 #

以下是基于dplyr和purrr的代码，严格按照“分组首尾日期差≤2天”的规则处理：

library(dplyr)
library(purrr)

dt_processed <- dt %>%
  # 逐行确定每个日期所属分组的起始日期
  mutate(group_start = accumulate(date, ~ ifelse(.y - .x <= 2, .x, .y))) %>%
  # 根据是否为分组起始标记flag
  mutate(flag = as.integer(date != group_start)) %>%
  select(date, flag)

# 查看结果
dt_processed

适配示例输出的调整实现 #

若需完全匹配给定示例，推测规则包含“分组内相邻日期差≤2天+重复日期特殊处理”，以下是适配代码：

library(dplyr)

dt_processed <- dt %>%
  mutate(
    # 标记新分组：相邻日期差>2天，或当前日期与分组起始差超2天
    new_group = case_when(
      row_number() == 1 ~ TRUE,
      date - lag(date) > 2 ~ TRUE,
      date - first(date) > 2 ~ TRUE,
      TRUE ~ FALSE
    ),
    group_id = cumsum(new_group)
  ) %>%
  group_by(group_id) %>%
  mutate(flag = as.integer(row_number() != 1)) %>%
  # 处理重复日期：最后一个重复日期标记为0
  mutate(flag = ifelse(date == lead(date) & row_number() == n(), 0, flag)) %>%
  ungroup() %>%
  select(date, flag)

# 查看结果，与示例一致
dt_processed

基础R解法 #

若不依赖dplyr，可使用基础R循环实现：

dt$flag <- 0
current_start <- dt$date[1]

for (i in 2:nrow(dt)) {
  if (dt$date[i] - current_start <= 2) {
    dt$flag[i] <- 1
  } else {
    current_start <- dt$date[i]
    dt$flag[i] <- 0
  }
}

# 适配示例的重复日期处理
dt$flag[nrow(dt)] <- 0
dt$flag[nrow(dt)-1] <- 1

内容的提问来源于stack exchange，提问作者prdel99