r - 考虑数据帧内的不同组，计算行之间的日期差异

Question

我正在处理 R 中应用于动物的治疗的一些信息。首先我想描述一下我的信息的结构(我会在最后添加dput()版本)。我的数据是 DF，它看起来像这样:

  Treatment_ID Start_Date      Valid
1         0031 2011-05-01 2011-05-30
2         0031 2011-05-01 2011-06-30
3         0045 2012-02-01 2012-03-01
4         0057 2012-04-01 2012-04-30
5         0057 2012-04-01 2012-05-30
6         0098 2012-10-01 2012-10-30

它有 56 行和三个变量 Treatment_ID(5 种治疗类型)、 Start_Date(治疗开始日期)和 Valid(治疗的最终日期)。例如， Treatment_ID 0031 有两个观察值，因为它从 2011 年 5 月开始，在 2011 年 6 月结束。然后一个新的处理 0045 开始于 2012 年 2 月，并在 2012 年 3 月结束(只有一个观察值)。相同的结构适用于 DF 中的所有组。我需要使用某些条件计算每次治疗之间和每次治疗后的月数差异。我将使用前两种处理方法来说明这一点:

  Treatment_ID Start_Date      Valid
1         0031 2011-05-01 2011-05-30
2         0031 2011-05-01 2011-06-30
3         0045 2012-02-01 2012-03-01
4         0057 2012-04-01 2012-04-30  

对于此示例，我有两行用于第一次处理，其中 Treatment_Id 变量相等。发生这种情况时，必须计算变量 Valid 的月差。当出现新的处理时，必须计算 Start_Date 和 Valid 之间的月差。请注意，当处理具有多个观察值时，差异是通过使用 Valid 变量获得该组中的观察值，但是当 Treatment_Id 更改时，差异必须通过使用 Start_Date 和 Valid 变量获得。为了获得这个变量 Break_Months 我使用了下一个结构:

DF$Break_Months=NA

for(i in c(2:(length(DF$Break_Months))))
{
  DF$Break_Months[i]=ifelse(DF$Treatment_ID[i]==DF$Treatment_ID[i-1],round(as.numeric(DF$Valid[i]-DF$Valid[i-1])/30,0),
                            round(as.numeric(DF$Start_Date[i]-DF$Valid[i-1])/30,0))
}

当 for 相等时，这个 Treatment_Id 使用 Valid 变量计算实际行和前一行之间的差异，当它们不同时，使用 Start_Date 和 Valid 计算差异。 Break_Months 的第一个值是 NA，因为没有要比较的先前值。问题出现在 DF的最后，我用前面几行代码的时候。

   Treatment_ID Start_Date      Valid Break_Months
47         0098 2012-10-01 2016-07-30            1
48         0098 2012-10-01 2016-08-31            1
49         0031 2016-09-01 2016-09-30            0
50         0031 2016-09-01 2016-10-30            1
51         0031 2016-09-01 2016-11-30            1
52         0031 2016-09-01 2016-12-30            1
53         0031 2016-09-01 2017-01-30            1
54         0031 2016-09-01 2017-03-02            1
55         0031 2016-09-01 2017-03-30            1
56         0012 2017-03-01 2017-03-30           -1

Treatment_Id 0012 只有一个观察，因为它是新的，并且 Valid 日期与治疗 0031 的最后一次观察相同。由于 Treatment_Id 0031 已在其他月份使用，因此计算与处理中先前观察值的差异。在 0012 的情况下，这是不可能的，因为它的 Valid 日期与 0031 和 0012 的最后一次观察结果相同，因为它是新的，因此没有更多观察结果。发生这种情况时，必须与 0031 之前的组的最后一次观察进行比较，这是 0098 。通过使用由于 0012 不等于 0098 的概念， Break_Months 是通过 2017-03-01 ( Start_Date ) 和 2016-08-31 ( Valid ) 之间的差计算得出的，通过 6 结构中的相同机制而不是 for 给出 -1 的值

我的问题与如何将这种考虑因素合并到 for 中有关。尝试这样做非常复杂，因为我不知道如何整合与日期相关的比较(如果它们在示例中相等)并在包含相同日期的组之前查找前一组。我曾尝试使用 lag 包中的 dplyr 函数来避免 for 但结果不一样。 dput() 的 DF 版本是下一个:

DF<-structure(list(Treatment_ID = c("0031", "0031", "0045", "0057", 
"0057", "0098", "0098", "0098", "0098", "0098", "0098", "0098", 
"0098", "0098", "0098", "0098", "0098", "0098", "0098", "0098", 
"0098", "0098", "0098", "0098", "0098", "0098", "0098", "0098", 
"0098", "0098", "0098", "0098", "0098", "0098", "0098", "0098", 
"0098", "0098", "0098", "0098", "0098", "0098", "0098", "0098", 
"0098", "0098", "0098", "0098", "0031", "0031", "0031", "0031", 
"0031", "0031", "0031", "0012"), Start_Date = structure(c(1304208000, 
1304208000, 1328054400, 1333238400, 1333238400, 1349049600, 1349049600, 
1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 
1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 
1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 
1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 
1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 
1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 
1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 1472688000, 
1472688000, 1472688000, 1472688000, 1472688000, 1472688000, 1472688000, 
1488326400), class = c("POSIXct", "POSIXt"), tzone = "UTC"), 
    Valid = structure(c(1306713600, 1309392000, 1330560000, 1335744000, 
    1338336000, 1351555200, 1354233600, 1356825600, 1359504000, 
    1362182400, 1364601600, 1367280000, 1369872000, 1372550400, 
    1375142400, 1377820800, 1380499200, 1383091200, 1385769600, 
    1388361600, 1391040000, 1393718400, 1396137600, 1398816000, 
    1401408000, 1404086400, 1412035200, 1414627200, 1417305600, 
    1419897600, 1422576000, 1425254400, 1427673600, 1432944000, 
    1435622400, 1440892800, 1443571200, 1446163200, 1448841600, 
    1451433600, 1454112000, 1456790400, 1459296000, 1461974400, 
    1464566400, 1467244800, 1469836800, 1472601600, 1475193600, 
    1477785600, 1480464000, 1483056000, 1485734400, 1488412800, 
    1490832000, 1490832000), class = c("POSIXct", "POSIXt"), tzone = "UTC")), .Names = c("Treatment_ID", 
"Start_Date", "Valid"), row.names = c(NA, -56L), class = "data.frame")

谢谢你的帮助。

更新
这些解决方案之一工作完美。现在，当我必须计算类似的变量时，我遇到了一个小问题。首先我计算变量 Elapsed ，它是 Valid 和 Start_Date 之间的差异。我使用下一个代码:

DF$Elapsed=round(as.numeric(DF$Valid-DF$Start_Date)/30,0)

然后，困境出现了。我必须计算接下来的两个变量 Last1 和 Last2 。我为此使用下一个代码:

#Compute Last1
DF$Last1=NA
DF$Last1[1]=0
for(j in c(2:length(DF$Last1)))
{
  DF$Last1[j]=ifelse(DF$Treatment_ID[j]==DF$Treatment_ID[j-1],DF$Last1[j-1],
                     ifelse(DF$Treatment_ID[j]!=DF$Treatment_ID[j-1],DF$Elapsed[j-1],0))
}

该代码特别有效，因为我有一个与变量 Break_Months 相关的类似问题。在这种情况下，因为 0031 和 0012 具有相同的 Valid 值，所以不能将 Treatment_Id 与 0031 的最后一个值进行比较，因为循环的逻辑(变量 Elapsed )分配了 7。在这种情况下，正确的值是 48，因为必须使用组 0098 的最后一次观察来构建比较，然后我们得到 48。我尝试使用 last_obs_index 进行修改，但无法获得正确的结果。

   Treatment_ID Start_Date      Valid Break_Months Elapsed Last1
47         0098 2012-10-01 2016-07-30            1      47     2
48         0098 2012-10-01 2016-08-31            1      48     2
49         0031 2016-09-01 2016-09-30            0       1    48
50         0031 2016-09-01 2016-10-30            1       2    48
51         0031 2016-09-01 2016-11-30            1       3    48
52         0031 2016-09-01 2016-12-30            1       4    48
53         0031 2016-09-01 2017-01-30            1       5    48
54         0031 2016-09-01 2017-03-02            1       6    48
55         0031 2016-09-01 2017-03-30            1       7    48
56         0012 2017-03-01 2017-03-30            6       1     7

对于变量 Last2 我使用下一个代码:

#Compute Last2
DF$Last2=NA
DF$Last2[1]=0
for(k in c(2:length(DF$Last2)))
{
  DF$Last2[k]=ifelse(DF$Treatment_ID[k]==DF$Treatment_ID[k-1],DF$Last2[k-1],
                     ifelse(DF$Treatment_ID[k]!=DF$Treatment_ID[k-1],DF$Break_Months[k],0))
}

在这种情况下，它似乎有效，但事实并非如此。尽管 6 是正确的，但由于 0012 和 0031 具有相同的 Valid 日期，并且最佳比较是使用 0098 组的最后一次观察，因此比较没有很好地定义。因此，分配了 Break_Months 的值。我再次无法使用 last_obs_index 定义的正确逻辑修复循环。

   Treatment_ID Start_Date      Valid Break_Months Elapsed Last1 Last2
47         0098 2012-10-01 2016-07-30            1      47     2     4
48         0098 2012-10-01 2016-08-31            1      48     2     4
49         0031 2016-09-01 2016-09-30            0       1    48     0
50         0031 2016-09-01 2016-10-30            1       2    48     0
51         0031 2016-09-01 2016-11-30            1       3    48     0
52         0031 2016-09-01 2016-12-30            1       4    48     0
53         0031 2016-09-01 2017-01-30            1       5    48     0
54         0031 2016-09-01 2017-03-02            1       6    48     0
55         0031 2016-09-01 2017-03-30            1       7    48     0
56         0012 2017-03-01 2017-03-30            6       1     7     6

感谢这次的所有帮助，是否有可能获得有关如何调整循环以正确进行比较的建议。

Answer 1

这是一种使用一些额外的 dplyr 函数的方法，例如 lag和 if_else .它计算出比较日期(保留在这里进行完整性检查)，从中减去前一个有效日期，然后转换为“月”的四舍五入数(30 天周期)。

library(dplyr)

  mutate(DF,
    comparison_date = if_else(Treatment_ID == lag(Treatment_ID), Valid, Start_Date),
    Break_Months = difftime(comparison_date, lag(Valid), units = "days"),
    Break_Months = as.numeric(round(Break_Months / 30)))

#>    Treatment_ID Start_Date      Valid comparison_date Break_Months
#> 1          0031 2011-05-01 2011-05-30            <NA>           NA
#> 2          0031 2011-05-01 2011-06-30      2011-06-30            1
#> 3          0045 2012-02-01 2012-03-01      2012-02-01            7
#> 4          0057 2012-04-01 2012-04-30      2012-04-01            1
#> 5          0057 2012-04-01 2012-05-30      2012-05-30            1
#> 6          0098 2012-10-01 2012-10-30      2012-10-01            4
#> 7          0098 2012-10-01 2012-11-30      2012-11-30            1
#> 8          0098 2012-10-01 2012-12-30      2012-12-30            1
#> 9          0098 2012-10-01 2013-01-30      2013-01-30            1
#> 10         0098 2012-10-01 2013-03-02      2013-03-02            1
...