使用Dplyr条件逻辑统计取消后完成的重复程序行数

嘿，别慌！好久不用R确实容易手生，我帮你把这个统计逻辑拆解清楚，再给出可直接用的代码方案。

首先，咱们先明确核心需求的几个关键判断条件，避免歧义：

• 必须是同一就诊（visit_id）、同一来源（source）、**同一程序（procedure）**的事件
• 先有一条状态为CAN（取消）的记录，之后存在至少一条状态为COMP（完成）的记录，且COMP的日期晚于CAN的日期
• 最终要统计满足上述条件的CAN事件次数（或者也可以统计有多少组这样的就诊-来源-程序组合，我都给你写进去）

假设你的数据集结构 #

首先假设你的数据集df包含以下必要列（如果列名不一样，你替换成自己的就行）：

• visit_id：就诊唯一标识
• source：来源标识
• procedure：程序名称/标识
• status：事件状态（CAN或COMP）
• event_date：事件发生日期（必须是Date类型，不是字符！）

用dplyr实现（直观易读，适合大多数场景） #

如果你习惯用tidyverse系列的dplyr，这个方案最容易理解：

# 先加载必要的包
library(dplyr)

# 第一步：整理数据，按分组字段和日期排序（这步非常关键，保证时间顺序正确）
df_processed <- df %>%
  # 确保日期是Date类型，如果你的数据是字符，先转：event_date = as.Date(event_date)
  mutate(event_date = as.Date(event_date)) %>%
  arrange(visit_id, source, procedure, event_date) %>%
  # 按就诊、来源、程序分组
  group_by(visit_id, source, procedure) %>%
  # 标记当前CAN记录是否有后续的COMP记录
  mutate(
    # 检查本组内是否存在日期晚于当前CAN的COMP记录
    has_subsequent_comp = any(status == "COMP" & event_date > event_date[status == "CAN"]),
    # 只给符合条件的CAN记录打标记
    qualifies = status == "CAN" & has_subsequent_comp
  ) %>%
  ungroup()

# 统计满足条件的CAN事件总次数
corrected_event_count <- df_processed %>%
  filter(qualifies) %>%
  nrow()

# 如果想统计有多少组（就诊-来源-程序）存在这种修正情况
corrected_group_count <- df_processed %>%
  filter(qualifies) %>%
  distinct(visit_id, source, procedure) %>%
  nrow()

# 打印结果
cat("满足条件的取消事件次数：", corrected_event_count, "\n")
cat("存在修正的就诊-来源-程序组数量：", corrected_group_count, "\n")

用data.table实现（适合超大型数据集，速度更快） #

如果你的数据集特别大（比如几百万行），dplyr可能有点慢，用data.table会更高效：

library(data.table)

# 转换为data.table格式
setDT(df)

# 确保日期是Date类型
df[, event_date := as.Date(event_date)]

# 按分组和日期排序
df <- df[order(visit_id, source, procedure, event_date)]

# 分组计算标记
df[, `:=`(
  has_subsequent_comp = any(status == "COMP" & event_date > event_date[status == "CAN"]),
  qualifies = status == "CAN" & any(status == "COMP" & event_date > event_date[status == "CAN"])
), by = .(visit_id, source, procedure)]

# 统计次数
corrected_event_count <- df[qualifies, .N]
corrected_group_count <- df[qualifies, uniqueN(.SD), by = .(visit_id, source, procedure)][, .N]

# 打印结果
cat("满足条件的取消事件次数：", corrected_event_count, "\n")
cat("存在修正的就诊-来源-程序组数量：", corrected_group_count, "\n")

几个注意事项 #

1. 日期格式检查：一定要确保event_date是Date类型，否则日期比较会出错，用as.Date()转换就行。
2. 多CAN记录的情况：如果同一组内有多个CAN记录，之后有一个COMP，那么这些CAN都会被统计进去。如果你只想每组算一次，就用corrected_group_count那个统计方式。
3. 大型数据集优化：处理超大数据时，尽量只保留必要的列（比如去掉不需要的描述列），减少内存占用；data.table的速度优势会更明显。

内容的提问来源于stack exchange，提问作者Tom O