R语言基于lag函数实现国名替换与按区域计算周新增确诊方法

原有代码的核心问题 #

• lag() 函数参数写法完全无效：order_by = (date = "1 week") 属于错误的赋值语法，既没有指定按日期排序的规则，也无法实现取7天前观测值的逻辑。
• 缺少分组限定：直接对全量数据集计算滞后值，会出现不同国家/区域的确诊数据互相串值的问题，完全不符合“对应区域独立计算新增”的要求。
• 计算逻辑偏差：周新增确诊的本质是「当前累计确诊值 - 7天前累计确诊值」，原代码直接将滞后值赋给new_cases列，未做差值运算，最终结果必然不符合预期。

可正常运行的实现代码 #

# 需提前安装依赖包：install.packages(c("dplyr", "stringr", "lubridate"))
library(dplyr)
library(stringr)
library(lubridate)

covid19_cases <- covid19 %>%
  # 替换国家名称的标准写法
  mutate(
    country_region = str_replace(country_region, "Korea, South", "South Korea")
  ) %>%
  # 按区域分组，隔离不同区域的计算逻辑
  group_by(country_region) %>%
  # 组内按日期升序排序，保证时间序列顺序正确
  arrange(date, .by_group = TRUE) %>%
  # 基于lag函数计算周新增确诊
  mutate(
    new_cases = confirmed - lag(confirmed, n = 7, order_by = date)
  ) %>%
  ungroup()

关键逻辑说明 #

• 分组作用：group_by(country_region) 确保滞后值的计算完全在同一个区域的时间序列内完成，不会出现跨区域取数的错值。
• lag() 正确配置规则：
  • n = 7 适配每日粒度的公开COVID数据集，代表取当前日期往前推7天的累计确诊值，刚好匹配“过去一周”的观测基准。
  • order_by = date 指定滞后计算的排序依据为日期，避免因数据集行顺序错乱取到非对应时间点的数值。
• 差值计算逻辑：由于confirmed是累计型指标，通过当前值与7天前累计值做差，就能得到准确的周新增确诊数；数据集开头不足7天的行new_cases会自动返回NA，符合真实数据的业务逻辑。

内容的提问来源于stack exchange，提问作者woh Woh