R语言按年与分组计算组内相邻日期间隔天数异常排查

问题原因 #

代码出现跨组计算、负间隔值，核心是操作顺序错误：

• 先在未分组状态做了全局排序，之后才做日期类型转换、分组操作，分组时会重置数据行顺序，导致之前排好的顺序被打乱
• 排序操作没有绑定分组边界，无法保证lag()取到的永远是当前分组内的上一条日期
• 日期类型转换放在排序之后，若存在非标准格式日期，字符串排序会出现顺序错误

修正后可直接运行的代码 #

library(dplyr)

data %>%
  # 先将字符串格式的日期转为正式Date类型，避免类型导致的排序/计算错误
  mutate(date = as.Date(date)) %>%
  # 按年份、分组两个维度分组
  group_by(year, group) %>%
  # 严格在分组内部按日期升序排列，.by_group = TRUE保证不打破分组边界
  arrange(date, .by_group = TRUE) %>%
  # 计算日期间隔，Date对象直接相减默认单位为天，转成纯数值类型方便后续使用
  mutate(Difference = as.numeric(date - lag(date))) %>%
  # 可选：完成分组计算后解除分组，避免后续操作受分组影响
  ungroup()

运行结果说明 #

代码执行后会严格在每个(year, group)分组内计算间隔，不会出现跨组取值问题：

• 每个分组的第一条日期因为没有前序值，间隔为NA
• 2019年A组间隔依次为NA、10天、7天
• 2019年B组间隔依次为NA、15天
• 2020年A组间隔依次为NA、2天
• 2020年B组间隔依次为NA、19天、5天

额外提示 #

如果习惯用difftime函数，也可以把计算间隔的行替换为下面的写法，效果一致：

mutate(Difference = as.numeric(difftime(date, lag(date), units = "days")))

记得一定要用as.numeric()转换结果，否则返回的是带特殊属性的difftime对象，后续做数值运算可能出现意外问题。

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