Question

我有一个包含日期的大数据框，需要连续检查第一个日期，如下所示：

ID   ID_2  END         BEG
1    55    2017-06-30  2016-01-01
1    55    2015-12-31  2015-11-12  --> Gap (required date)
1    88    2008-07-26  2003-02-24
2    19    2014-09-30  2013-05-01
2    33    2013-04-30  2011-01-01  --> Not Gap (overlapping)
2    19    2012-12-31  2011-01-01
2    33    2010-12-31  2008-01-01
2    19    2007-12-31  2006-01-01
2    19    2005-12-31  1980-10-20  --> No actual Gap(required date)

如图所示，并非所有日期都重叠，因此我需要按ID（不是ID_2）返回出现第一个间隔（时间倒退）的日期。我试过使用for，但是它非常慢（数据帧有15万行）。我一直在搞怪dplyr和mutate，如下所示：

df <- df%>%
  group_by(ID)%>%
  mutate(END_lead = lead(END))

df$FLAG <- df$BEG - days(1) == df$END_lead

df <- df%>%
 group_by(ID)%>%
 filter(cumsum(cumsum(FLAG == FALSE))<=1)

但是这组指令在第一个重叠处停止，过滤了错误的日期。我已经尝试过我能想到的一切，以降序或升序排序，并使用min和max，但找不到解决方案。

所需的实际结果是：

ID   ID_2  END         BEG
1    55    2015-12-31  2015-11-12 
2    19    2008-07-26  1980-10-20

是否可以使用dplyr，tidyr和lubridate做到这一点？

Answer 1

使用dplyr的可能解决方案：

library(dplyr)

df %>%
  mutate_at(vars(END, BEG), funs(as.Date)) %>%
  group_by(ID) %>%
  slice(which.max(BEG > ( lead(END) + 1 ) | is.na(BEG > ( lead(END) + 1 ))))

使用您的最新数据，它会给出：

# A tibble: 2 x 4
# Groups:   ID [2]
     ID  ID_2 END        BEG       
  <int> <int> <date>     <date>    
1     1    55 2015-12-31 2015-11-12
2     2    19 2005-12-31 1980-10-20

该解决方案的作用基本上是：

将日期更改为Date格式（不需要lubridate）；
按ID分组；
选择满足条件的最高行，即最高行或者是一个空格（TRUE），或者如果没有空格，则它是第一行（这意味着在检查时缺少值）差距，这就是is.na(BEG > ( lead(END) + 1 ))）的原因。

Answer 2

我会使用xts包，首先为您拥有的每个ID创建xts对象，而不是对每个对象使用first（）和last（）函数。

https://www.datacamp.com/community/blog/r-xts-cheat-sheet

如何检查连续性，注意日期之间可能存在的差距

2 个答案: