如何为数据框中的每个 ID 子集最近 12 个月的数据？

Question

我有一个代表数百名患者 15 年随访数据的数据框。我想创建数据框的一个子集，包括每位患者最近 12 个月的数据。

这是我的数据的一个代表性示例（包括一个缺失值，因为我的实际数据集中有大量缺失数据）：

# Create example dataset.
example.dat <- data.frame(
  ID = c(1,1,1,1,2,2,2,3,3,3), # patient ID numbers
  Date = as.Date(c("2000-02-01", "2004-10-21", "2005-02-06", # follow-up dates
                   "2005-06-14", "2002-11-24", "2009-03-05",
                   "2009-07-20", "2005-09-02", "2006-01-15",
                   "2006-05-18")),
  Cat = c("Yes", "Yes", "No", "Yes", "No", # responses to a categorical variable
          "Yes", "Yes", NA,   "No", "No")
  )

example.dat

产生以下输出：

   ID       Date  Cat
1   1 2000-02-01  Yes
2   1 2004-10-21  Yes
3   1 2005-02-06   No
4   1 2005-06-14  Yes
5   2 2002-11-24   No
6   2 2009-03-05  Yes
7   2 2009-07-20  Yes
8   3 2005-09-02 <NA>
9   3 2006-01-15   No
10  3 2006-05-18   No

我需要弄清楚如何对每个 ID 号、最近的记录和过去 12 个月的所有记录进行子集化。

   ID       Date  Cat
2   1 2004-10-21  Yes
3   1 2005-02-06   No
4   1 2005-06-14  Yes
6   2 2009-03-05  Yes
7   2 2009-07-20  Yes
8   3 2005-09-02 <NA>
9   3 2006-01-15   No
10  3 2006-05-18   No

关于 R 中按日期进行子集化的问题已经问过几个问题，但它们通常与来自特定日期或日期范围的数据子集有关，而不是按（（可变结束日期）-（时间间隔））进行子集化。

Answer 1

为了完整起见，这里有两种data.table 方法，使用分组子集或非等连接。此外，lubridate 用于确保即使在闰年也能选择 12 个月。

按组子集

这本质上是docendo discimus' dplyr answer 的data.table 版本。但是，lubridate 函数用于日期算术，因为如果过去一年包含闰日，简单地减去 365 天不会涵盖 OP 要求的 12 个月期间：

library(data.table)
library(lubridate)
setDT(example.dat)[, .SD[Date >= max(Date) %m-% years(1)], by = ID]

   ID       Date Cat
1:  1 2004-10-21 Yes
2:  1 2005-02-06  No
3:  1 2005-06-14 Yes
4:  2 2009-03-05 Yes
5:  2 2009-07-20 Yes
6:  3 2005-09-02  NA
7:  3 2006-01-15  No
8:  3 2006-05-18  No

非等值连接

在v1.9.8 (on CRAN 25 Nov 2016) 版本中，data.table 已获得执行非等值连接的能力：

library(data.table)
library(lubridate)
mDT <- setDT(example.dat)[, max(Date) %m-% years(1), by = ID]
example.dat[example.dat[mDT, on = .(ID, Date >= V1), which = TRUE]]

   ID       Date Cat
1:  1 2004-10-21 Yes
2:  1 2005-02-06  No
3:  1 2005-06-14 Yes
4:  2 2009-03-05 Yes
5:  2 2009-07-20 Yes
6:  3 2005-09-02  NA
7:  3 2006-01-15  No
8:  3 2006-05-18  No

mDT 包含每个 ID 的 12 个月期间的开始日期：

   ID         V1
1:  1 2004-06-14
2:  2 2008-07-20
3:  3 2005-05-18

非等值连接返回满足条件的行的索引

example.dat[mDT, on = .(ID, Date >= V1), which = TRUE]

[1]  2  3  4  6  7  8  9 10

然后用于最终子集example.dat。

日期算术方法比较

到目前为止发布的答案使用三种不同的方法来查找 12 个月前的日期：

• docendo discimus 减去 365 天，
• G. Grothendieck 使用 seq.Date()，
• 此答案使用years() 和%m-%

如果时间段中包含闰日，这三种方法会有所不同：

library(data.table)
library(lubridate)
mseq <- Vectorize(function(x) seq(x, length = 2L, by = "-1 year")[2L])
data.table(Date = as.Date("2016-02-28") + 0:2)[
  , minus_365d := Date -365][
    , minus_1yr := Date - years()][
      , minus_1yr_m := Date %m-% years()][
        , seq.Date := as_date(mseq(Date))][]

         Date minus_365d  minus_1yr minus_1yr_m   seq.Date
1: 2016-02-28 2015-02-28 2015-02-28  2015-02-28 2015-02-28
2: 2016-02-29 2015-03-01       <NA>  2015-02-28 2015-03-01
3: 2016-03-01 2015-03-02 2015-03-01  2015-03-01 2015-03-01

• 如果过去一段时间内有no闰日，则所有三个方法都返回相同的结果（第 1 行）。
• 如果闰日包含在过去的时间段中，则减去 365 天并不能完全涵盖 12 个月（第 3 行），因为闰年​​有 366 天。
• 如果参考日期是闰日，seq.Date() 方法选择第二天，即 2015 年 3 月 1 日，因为 2015 年没有 2 月 29 日。使用lubridate 的@987654349 @ 将日期滚动到 2015 年 2 月 28 日 2 月的最后一天。

Answer 2

这是一个基本解决方案。我们让ave 将日期作为数字操作，因为如果我们使用原始"Date" 值ave 将尝试返回"Date" 值。相反，ave 返回 0/1 值，!! 将这些值转换为 FALSE/TRUE。

 in_last_yr <- function(x) {
    max_date <- as.Date(max(x), "1970-01-01")
    x > seq(max_date, length = 2, by = "-1 year")[2]
 }
 subset(example.dat, !!ave(as.numeric(Date), ID, FUN = in_last_yr))

更新改进了确定去年日期的方法。

Answer 3

使用dplyr的可能方法

library(dplyr)

example.dat %>% group_by(ID) %>% filter(Date >= max(Date)-365)

#Source: local data frame [8 x 3]
#Groups: ID
#
#  ID       Date Cat
#1  1 2004-10-21 Yes
#2  1 2005-02-06  No
#3  1 2005-06-14 Yes
#4  2 2009-03-05 Yes
#5  2 2009-07-20 Yes
#6  3 2005-09-02  NA
#7  3 2006-01-15  No
#8  3 2006-05-18  No