R语言：日期区间分类并补全enrollment/non-enrollment时段行

针对你需要处理的5万条id的enrollment数据集，我用R来给你一套可落地的实现方案，既能应对大规模数据（只要内存足够），又能精准生成指定时间范围内的状态区间和分类标签：

步骤1：加载依赖包 #

我们需要用到dplyr做数据分组和操作，lubridate处理日期类型：

library(dplyr)
library(lubridate)

步骤2：准备数据 #

先把你的示例数据转换成标准的日期格式数据框，实际使用时替换成你的真实数据集即可：

# 示例数据（替换为你的真实数据集）
df <- tibble(
  id = c(1,3,3,3,5,5),
  entry_date = c(NA, '1996-05-09', '2005-12-12', '2013-12-19', '2011-11-05','2012-12-10'),
  exit_date = c(NA, '2005-12-10', '2008-12-10', '2016-01-01', '2016-09-01', '2013-02-20')
) %>%
  # 将字符型日期转换为lubridate日期类型，NA值保留
  mutate(
    entry_date = ymd(entry_date),
    exit_date = ymd(exit_date)
  )

步骤3：定义时间范围 #

按照你的需求设置目标时间范围，这里可以根据实际情况调整：

# 指定目标时间范围
start_range <- ymd('2001-06-01')
end_range <- ymd('2015-01-01') # 若要匹配你示例中的2016结束日期，改为ymd('2016-01-01')即可

步骤4：生成状态区间和分类 #

核心逻辑是对每个id整理关键时间点，生成连续区间后判断每个区间的状态：

# 处理每个id，生成最终的状态区间结果
result <- df %>%
  group_by(id) %>%
  # 调整enrollment的起止日期，确保落在目标时间范围内
  mutate(
    # 若entry_date早于起始范围，调整为起始范围；NA值保留
    entry_adj = ifelse(is.na(entry_date), NA, pmax(entry_date, start_range)),
    # 若exit_date晚于结束范围，调整为结束范围；NA值保留
    exit_adj = ifelse(is.na(exit_date), NA, pmin(exit_date, end_range))
  ) %>%
  # 过滤掉完全在目标范围之外的无效enrollment记录
  filter(!(entry_adj > end_range | exit_adj < start_range)) %>%
  # 收集当前id的所有关键时间点：范围起止、调整后的entry/exit日期，去重排序
  summarise(
    time_points = c(start_range, entry_adj, exit_adj, end_range) %>%
      na.omit() %>%
      unique() %>%
      sort()
  ) %>%
  # 从排序后的时间点生成连续的日期区间
  mutate(
    entry_date = lag(time_points),
    exit_date = time_points
  ) %>%
  # 移除第一个无效的区间（entry_date为NA的行）
  filter(!is.na(entry_date)) %>%
  # 为每个区间判断对应的分类标签
  mutate(
    category = case_when(
      # 从未注册：该id没有有效enrollment记录，区间覆盖整个目标范围
      n_distinct(time_points) == 2 & !id %in% df$id[!is.na(df$entry_date)] ~ 'Never enrolled',
      # 注册前：区间在该id第一次注册的起始日期之前
      exit_date <= df$entry_adj[df$id == id][1] ~ 'Prior to enrollment',
      # 注册中：区间完全被某段enrollment时间段覆盖
      map2_lgl(entry_date, exit_date, function(e, x) {
        any(df$entry_adj[df$id == id] <= e & df$exit_adj[df$id == id] >= x)
      }) ~ 'Enrolled',
      # 注册间隔：其他非注册状态的区间（两次注册之间、最后一次注册结束到范围结束）
      TRUE ~ 'Between enrollment'
    )
  ) %>%
  # 确保日期格式正确
  mutate(
    entry_date = ymd(entry_date),
    exit_date = ymd(exit_date)
  ) %>%
  ungroup()

# 查看结果
print(result)

逻辑说明 #

• 日期调整：把超出目标范围的enrollment起止日期截断到范围边界，避免无效区间。
• 关键时间点收集：把目标范围的起止、所有调整后的注册起止日期放在一起，排序后生成连续的无重叠区间。
• 分类判断：通过case_when依次判断每个区间的状态，确保每个标签的逻辑精准对应你的需求。

内容的提问来源于stack exchange，提问作者Jules.Sanchez