R语言如何基于起止日期生成对应年份的覆盖指示变量？

核心判断逻辑 #

对每行的日期区间，只要目标年份处于「起始日期所在年份」到「结束日期所在年份」的闭区间内，对应哑变量就赋值1，否则赋值0。

注：给出的示例df2中，A行y2009取值为0属于笔误——按照同样的判断规则，B行（2005-2006区间）、C行（2008-2011区间）的哑变量取值和示例完全匹配；A行结束日期为2009年6月，理应y2009取1。

实现步骤 #

• 第一步：把原数据中字符格式的日期，按月/日/年的格式解析为R可识别的标准Date类型
• 第二步：提取每行起始日期、结束日期对应的4位年份值
• 第三步：确定需要生成哑变量的年份范围（本例覆盖2004年-2011年的连续年份）
• 第四步：逐年份生成对应哑变量，最后清理中间计算用到的辅助列

方案1：基础R实现（无需加载额外包） #

# 读入初始数据
df1 <- data.frame(ID = c("A", "B", "C"),
                 Start_Date = c("3/5/2004", "8/22/2005", "4/8/2008"), 
                 End_Date = c("6/25/2009","11/2/2006", "6/9/2011"))

# 解析字符日期为标准格式
df1$Start_Date <- as.Date(df1$Start_Date, format = "%m/%d/%Y")
df1$End_Date <- as.Date(df1$End_Date, format = "%m/%d/%Y")

# 提取每行的起止年份
df1$s_year <- as.numeric(format(df1$Start_Date, "%Y"))
df1$e_year <- as.numeric(format(df1$End_Date, "%Y"))

# 确定需要生成哑变量的完整年份范围
all_years <- seq(from = min(df1$s_year), to = max(df1$e_year), by = 1)

# 批量生成年份哑变量
for (y in all_years) {
  col_name <- paste0("y", y)
  # 闭区间判断，符合条件取1，否则取0
  df1[[col_name]] <- as.integer(df1$s_year <= y & df1$e_year >= y)
}

# 清理辅助列，得到最终输出
final_df <- subset(df1, select = -c(s_year, e_year))

方案2：Tidyverse生态实现（代码更简洁） #

需要提前加载dplyr和lubridate两个包：

library(dplyr)
library(lubridate)

# 读入初始数据，解析日期、提取年份
df1 <- df1 %>%
  mutate(
    Start_Date = mdy(Start_Date),
    End_Date = mdy(End_Date),
    s_year = year(Start_Date),
    e_year = year(End_Date)
  )

# 确定需要生成的年份列表
all_years <- seq(min(df1$s_year), max(df1$e_year), 1)

# 批量生成哑变量
final_df <- df1 %>%
  rowwise() %>%
  mutate(
    across(
      .cols = paste0("y", all_years),
      .fns = ~ as.integer(as.numeric(str_remove(cur_column(), "y")) %in% seq(s_year, e_year))
    )
  ) %>%
  ungroup() %>%
  select(-s_year, -e_year)

注意事项 #

• 日期解析必须匹配实际格式：本例的日期是「月/日/年」斜杠分隔，基础R对应格式符%m/%d/%Y，lubridate对应mdy()函数；如果是其他格式（如「年-月-日」），需要替换对应的解析规则，否则会出现日期解析错误
• 哑变量的年份范围可以自定义：如果不需要自动从数据中提取范围，直接修改all_years的取值即可，比如需要固定生成2000年到2020年的哑变量，直接设all_years <- seq(2000, 2020, 1)

内容的提问来源于stack exchange，提问作者mkpcr