基于分组生成累积随访时间与事件汇总表的技术实现问询

我来帮你搞定这个随访数据按年度汇总的需求！用dplyr完全能实现，我给你拆解步骤+代码示例，直接就能套用：

第一步：先明确核心逻辑 #

我们要达成的目标是：

• 生成1到20年的完整年度序列，每个年度对应结果的一行
• 对每个个体，判断其随访周期是否覆盖该年度，计算该个体在该年度的可用随访时长
• 按年度汇总所有个体的可用时长（cmltime），以及该年度发生的事件总数（cmlevent）

第二步：代码实现（附示例数据） #

先给你构造一份和你需求匹配的示例数据，你可以直接替换成自己的df1：

library(dplyr)
library(tidyr) # 用到cross_join和replace_na工具

# 构造示例df1（已包含你提到的timeyrs和eventyr字段）
set.seed(123)
df1 <- tibble(
  ID = 1:10,
  startdate = as.Date("2010-01-01") + sample(0:365, 10),
  enddate = startdate + sample(365*3:365*18, 10), # 模拟3-18年的随访周期
  eventdate = ifelse(runif(10) > 0.3, NA, startdate + sample(365*1:365*15, 10))
) %>%
  mutate(
    # 取整随访总年数（和你的timeyrs逻辑一致）
    timeyrs = as.integer(difftime(enddate, startdate, units = "weeks")/52.25) %>% round(),
    # 取整事件发生的相对年份（和你的eventyr逻辑一致）
    eventyr = ifelse(!is.na(eventdate), as.integer(difftime(eventdate, startdate, units = "weeks")/52.25) %>% round(), NA)
  )

接下来是核心处理代码，生成你需要的df2：

# 生成1-20年的完整年度序列
annual_seq <- tibble(year = 1:20)

# 生成目标数据集df2
df2 <- df1 %>%
  # 让每个个体和所有年度做交叉匹配，方便逐个年度计算贡献
  cross_join(annual_seq) %>%
  # 过滤掉个体随访未覆盖到的年度（比如某人只随访5年，就排除6-20年）
  filter(year <= timeyrs) %>%
  # 计算该个体在当前年度的可用时长：
  # 这里简化为完整年度计1，如果你需要精确到天的时长，替换成下面注释的代码
  mutate(
    annual_contribution = 1
    # 精确时长版本（计算实际随访天数转成年份）：
    # annual_contribution = as.numeric(pmin(enddate, startdate + years(year)) - pmax(startdate, startdate + years(year-1))) / 365.25
  ) %>%
  # 按年度分组汇总
  group_by(year) %>%
  summarise(
    cmltime = sum(annual_contribution, na.rm = TRUE), # 年度总可用随访时长
    cmlevent = sum(eventyr == year, na.rm = TRUE)     # 年度事件发生总数
  ) %>%
  # 确保1-20年全部出现在结果里，无数据的年度自动填充0
  right_join(annual_seq, by = "year") %>%
  replace_na(list(cmltime = 0, cmlevent = 0)) %>%
  arrange(year)

关键步骤说明 #

• cross_join：把每个个体和所有年度配对，这样我们能对每个年度单独计算每个个体的贡献值
• filter(year <= timeyrs)：只保留个体随访覆盖的年度，避免无效计算
• 时长计算：默认用完整年度计数，如果你需要更精确的实际随访时长，就用注释里的代码，它会计算每个个体在该年度的实际随访天数再转成年份
• right_join+replace_na：保证即使某个年度没有任何随访数据，也会在df2里显示一行，cmltime和cmlevent自动设为0，完美匹配你要的20行完整结果

内容的提问来源于stack exchange，提问作者sar