dplyr分组外特征汇总问题：按ids和date分组后基于全局特征统计事件数

你的核心需求是：对每个ids和date的组合，统计该ids在当前date前后30天内的所有事件总数，但当前代码没有实现这个逻辑，问题出在分组后的条件判断上。

原代码的问题分析 #

当你用group_by(ids, date)分组后，每个分组里的date是单一固定值，所以date >= date - 30 & date <= date这个条件永远为TRUE，最终events统计的只是每个(ids, date)分组内的记录数，而不是跨日期窗口的总事件数。

解决方案 #

下面提供几种可靠的实现方式，你可以根据数据量选择：

方法1：自连接（逻辑清晰，易理解）

通过自连接匹配同一ID下的所有日期记录，再筛选出目标日期的30天窗口范围，最后统计数量：

library(dplyr)
library(lubridate)

set.seed(100)
df <- data.frame(
  ids = sample(c('436247', '2465347', '346654645'), 10000, replace=TRUE),
  date = sample(seq.Date(ymd('2018-03-01'), ymd('2018-05-01'), by=1), 10000, replace=TRUE)
)

new_df <- df %>%
  # 重命名原始日期为target_date，避免连接后混淆
  rename(target_date = date) %>%
  # 按ID连接到原始数据集，获取该ID的所有日期记录
  inner_join(df, by = "ids") %>%
  # 筛选出在target_date前后30天内的记录
  filter(date >= target_date - days(30), date <= target_date + days(30)) %>%
  # 按ID和目标日期分组，统计事件数
  group_by(ids, target_date) %>%
  summarise(events = n(), .groups = "drop") %>%
  # 把target_date改回原命名date
  rename(date = target_date)

方法2：逐行窗口统计（中等数据量适用）

利用rowwise()逐行计算每个日期对应的30天窗口内的事件数：

new_df <- df %>%
  group_by(ids) %>%
  rowwise() %>%
  # 对当前行的date，统计同一ID下所有在[date-30, date+30]的记录数
  mutate(events = sum(between(date, !!cur_data()$date - days(30), !!cur_data()$date + days(30)))) %>%
  ungroup() %>%
  # 去重，保留每个(ids, date)的唯一统计结果
  distinct(ids, date, .keep_all = TRUE)

方法3：data.table非等值连接（大数据量高效处理）

如果你的数据集非常大（百万级以上），推荐用data.table的非等值连接，速度远快于dplyr：

library(data.table)
library(lubridate)

setDT(df)
new_df <- df[df, on = .(ids, date >= date - days(30), date <= date + days(30)), 
             .(events = .N), by = .EACHI] %>%
  # 调整列名，还原原始date字段
  setnames(c("date", "date.1"), c("window_start", "window_end")) %>%
  mutate(date = window_end) %>%
  select(ids, date, events)

验证结果 #

你可以随机抽取几个(ids, date)组合，手动核对事件数是否符合预期，比如：

# 查看某个ID在特定日期的事件数
filter(new_df, ids == '436247', date == ymd('2018-04-01'))

内容的提问来源于stack exchange，提问作者Matt W.