如何在R中将重叠时间段分为重叠和非重叠时间段

如何解决如何在R中将重叠时间段分为重叠和非重叠时间段

我正在寻找将重叠和非重叠时期与 'lubridate' 和 'dplyr' 包（或任何其他可以建议的）结合起来。这是一个示例数据框：

vacation_start <- as_date('2017-04-19')
vacation_end <- as_date('2017-04-25')
course_start <- as_date('2017-04-12')
course_end <- as_date('2017-04-21')
course_interval <- interval(course_start,course_end)
vacation_interval <- interval(vacation_start,vacation_end)

df <- data.frame(id = "ID",part = c("A","B"),start = c(course_start,vacation_start),end = c(course_end,vacation_end),interval = c(course_interval,vacation_interval))

数据框如下所示：

id	部分	开始	结束	间隔
身份证	A	2017-04-12	2017-04-21	2017-04-12 UTC--2017-04-21 UTC
身份证	B	2017-04-19	2017-04-25	2017-04-19 UTC--2017-04-25 UTC

我想将它们组合成这样的重叠和非重叠时期，按“ID”和“部分”分组：

id	部分	开始	结束	间隔
身份证	A	2017-04-12	2017-04-18	2017-04-12 UTC--2017-04-18 UTC
身份证	A,B	2017-04-19	2017-04-21	2017-04-19 UTC--2017-04-21 UTC
身份证	B	2017-04-22	2017-04-25	2017-04-22 UTC--2017-04-25 UTC

我试图用重叠的时间段生成中间行，但我无法使用“dplyr”包保留非重叠的时间段：

df_2 <- df %>%
  group_by(id) %>%
  summarise(drug = paste(drug,collapse = ','),start = max(start),end = min(end),interval = start %--% end)

非常感谢任何想法或解决方案。谢谢！

解决方法

我建议分别创建重叠和非重叠。如果您希望输出行数大于输入行数，这通常是必要的。

对于重叠，我会做类似的事情：

overlap_df = df %>%
  inner_join(df,by = "id",suffix = c("_1","_2")) %>%
  filter(part_1 < part_2,start_1 <= end_2,start_2 <= end_1) %>%
  mutate(part = paste0(part_1,",part_2),# new part label
         start = ifelse(start_1 < start_2,start_2,start_1),# latest start date
         end = ifelse(end_1 < end_2,end_1,end_2)) %>% # earliest end date
  select(ID,part,start,end)

第一个过滤条件确保每个重叠只有一个订单（例如只有 A,B 而不是 B,A。第二和第三个过滤条件确保时间段重叠。

对于非重叠，我会区分从不重叠（与另一个时期没有任何重叠的时期）和不重叠（时期的部分不重叠）。

对于永不重叠的我会做这样的事情：

never_overlapped_df = df %>%
  left_join(df,"_2")) %>%
  filter(part_1 != part_2) %>%
  mutate(overlap = ifelse(start_1 <= end_2 & start_2 <= end_2,1,0) %>%
  group_by(id,part_1,start_1,end_1) %>%
  summarise(num = sum(overlap,na.rm = TRUE)) %>%
  filter(is.na(num) | num == 0) %>%
  select(id,part = part_1,start = start_1,end = end_1)

这个想法是找到并计算所有的重叠，然后只保留没有任何重叠的记录。

对于非重叠，我会做类似的事情：

non_overlapped_df = df %>%
  inner_join(df,"_2")) %>%
  filter(part_1 != part_2,start_2 <= end_1) %>% # parts are different and periods overlap
  mutate(start_2 = ifelse(start_1 <= start_2 & start_2 <= end_1,NA),end_2 = ifelse(start_1 <= end_2 & end_2 <= end_1,end_2,NA)) %>%
  # discard start_2 & end_2 that are not within start_1 and end_1
  group_by(id,end_1) %>%
  summarise(min_start_2 = min(start_2,na.rm = TRUE),max_end_2 = max(end_2,na.rm = TRUE)) %>%
  mutate(start = ifelse(is.na(max_end_2),max_end_2),end = ifelse(is.na(min_start_2),min_start_2)) %>%
  select(id,end)

然后您可以将它们与 rbind 结合起来：

output_df = rbind(overlap_df,never_overlapped_df,non_overlapped_df)

请注意，我假设一次最多有一个重叠（例如，part = "A,B,C" 不会发生）。这简化了问题。解决任意数量重叠的更一般情况要复杂得多，需要不同的方法。

请注意，您可能还想将“

,

我的第一个答案假设只重叠两个时期。这意味着它可以对每个比较使用单个连接。尝试在两个以上的时间段内重复此过程会导致连接数量增加，从而导致效率低下的混乱。

为了处理加入任意（或未知）数量的重叠，我们需要一种非常不同的方法。因此，我将此作为单独的答案提供。

第 1 步：获取所有可能的开始和结束日期的列表

all_start = df %>%
  select(id,start)
all_end = df %>%
  select(id,start = end)
all_start_and_end = rbind(all_start,all_end) %>%
  distinct()

第 2 步：创建所有可能时期的列表

all_periods = all_start_and_end  %>%
  group_by(id) %>%
  mutate(end = lead(start,order_by = start))

第 3 步：将原始数据与所有时期重叠并汇总

overlapped = all_periods %>%
  left_join(df,"_2")) %>%
  filter(start_1 <= end_2,start_2 <= end_1) %>%
  select(id,part_2,end = end_1) %>%
  group_by(id,end) %>%
  summarise(part = toString(part_2))

取决于您的确切数据和情况：

• 您可能需要将“
• 您可能希望删除第 1 步中的 distinct 以允许只有一天的时间段。
• 在第 1 步中，如果您希望输出包含所有带有 {{1} }.
• 完成第三步后，您可能需要使用 part = NA 过滤掉任何句点。
• 根据您的输入数据，您可能会观察到具有相同 part = NA 的相邻输出时段。例如。第 1 行：A 部分的结束日期为 2020-01-01，第 2 行：A 部分的开始日期为 2020-01-02。查看 part 标记以了解解决此问题的方法。