同一DataFrame内日期区间比较及重叠重复问题处理问询

嘿，我完全懂你现在的困扰——查了一圈类似问题，现成方案都适配不了你的数据集，毕竟你的DataFrame里既有重复的日期区间，又有重叠的，根本没法满足“每行起始日期都晚于所有前序行结束日期”的要求。我先基于你给出的示例数据，补全了可复现的完整数据集，然后给你两套实用的处理方案，你可以根据自己的需求选择。

先准备好可复现的示例数据 #

df <- data.frame(
  start = c(
    "2018/04/15 9:00:00",
    "2018/04/15 9:00:00",
    "2018/04/16 10:20:00",
    "2018/04/16 15:30:00",
    "2018/04/16 14:00:00", # 与上一行区间重叠
    "2018/04/17 8:00:00"
  ),
  end = c(
    "2018/04/15 10:00:00",
    "2018/04/15 10:00:00",
    "2018/04/16 11:00:00",
    "2018/04/16 16:00:00",
    "2018/04/16 15:00:00", # 重叠区间
    "2018/04/17 9:00:00"
  ),
  feature1 = c("A", "A", "B", "C", "D", "E"),
  feature2 = c(1, 2, 3, 4, 5, 6)
)

方案一：合并重叠/重复的日期区间 #

如果你的需求是把所有重叠或重复的区间合并成一个连续的区间，同时保留其他特征字段（可以根据需求选择保留第一个、最后一个或聚合值），可以用dplyr和lubridate组合实现：

library(dplyr)
library(lubridate)

# 1. 转换日期字符串为可比较的datetime类型
# 2. 按起始日期排序，确保处理顺序正确
# 3. 用累积求和标记不重叠的组：当前行起始日期>前一行结束日期时，新建组
# 4. 按组合并区间，取每组最小的start和最大的end，其他字段按需处理
df_merged <- df %>%
  mutate(
    start = ymd_hms(start),
    end = ymd_hms(end)
  ) %>%
  arrange(start) %>%
  mutate(
    group = cumsum(start > lag(end, default = first(start) - days(1)))
  ) %>%
  group_by(group) %>%
  summarise(
    start = min(start),
    end = max(end),
    # 示例：保留每组第一个出现的特征值，你可以换成last()、mean()等聚合方式
    feature1 = first(feature1),
    feature2 = first(feature2)
  ) %>%
  ungroup() %>%
  select(-group)

# 查看处理结果
print(df_merged)

代码解释：

• 先把字符串格式的日期转成POSIXct类型，这样才能做时间比较；
• 按start排序是关键，保证我们从最早的区间开始处理；
• cumsum(start > lag(end))是核心逻辑：每遇到一个不重叠的区间，就给它分配一个新的组ID；
• 最后按组合并，把同一组内的重叠/重复区间合并成一个完整的区间。

方案二：筛选出完全符合顺序的独立行 #

如果你的需求不是合并，而是只保留那些起始日期严格晚于所有前序行结束日期的行（相当于剔除所有重叠/重复的区间，只留下完全独立的序列），可以用下面的代码：

library(dplyr)
library(lubridate)

df_filtered <- df %>%
  mutate(
    start = ymd_hms(start),
    end = ymd_hms(end)
  ) %>%
  arrange(start) %>%
  mutate(
    # 计算截至当前行的最大结束日期（累积最大值）
    prev_max_end = lag(cummax(end), default = first(start) - days(1)),
    # 判断当前行是否符合要求：起始日期>之前所有行的最大结束日期
    keep = start > prev_max_end
  ) %>%
  filter(keep) %>%
  select(-prev_max_end, -keep)

# 查看处理结果
print(df_filtered)

代码解释：

• cummax(end)会计算从第一行到当前行的最大end值，这样我们就能知道之前所有区间的最晚结束时间；
• 只要当前行的start大于这个累积最大值，就说明它和之前所有区间都不重叠，符合你的要求；
• 最后筛选出符合条件的行即可。

内容的提问来源于stack exchange，提问作者NeReiS