使用 dplyr 在日期之间按汇总进行分组

Question

在使用 summarise 时，我很难理解 dplyr 中的一些逻辑。

我有兴趣为每个 ID 中的每个日期计算一些感兴趣的统计数据（例如，某个列的平均值），并且我有包含 start_date 和 end_date 列的数据。

假设我有分层数据，每行有一个 IDsub 列，IDsub 所属的每个更广泛的类别都有一个 ID 列，一个 start_date，一个 end_date 和一个有意义的 value：

IDsub <- c("1001", "1002", "1003", "1004")
ID <- c("id1", "id1", "id2", "id2")
start_date <- as.Date(c("2021-01-01", "2021-01-02", "2021-01-05", "2021-01-10"))
end_date <- as.Date(c("2021-01-10", "2021-01-09", "2021-01-13", "2021-01-12"))
value <- c(1, 2, 2, 0)

df <- tibble(IDsub, ID, start_date, end_date, value)

原始数据如下：

IDsub ID    start_date end_date   value
1001  id1   2021-01-01 2021-01-10     1
1002  id1   2021-01-02 2021-01-09     2
1003  id2   2021-01-05 2021-01-13     2
1004  id2   2021-01-10 2021-01-12     0

然后我转换数据，使其按date 组织：

df1 <- df %>%
  transmute(ID, IDsub, value, date = map2(min(df$start_date), max(df$end_date), seq, by = "day")) %>%
  unnest("date")

结果如下：

ID    IDsub value   date      
id1   1001      1 2021-01-01
id1   1001      1 2021-01-02
id1   1001      1 2021-01-03
id1   1001      1 2021-01-04
...
id2   1004      0 2021-01-10
id2   1004      0 2021-01-11
id2   1004      0 2021-01-12
id2   1004      0 2021-01-13

这是我被绊倒的地方。我想为每个ID 中的每个date 计算value 的平均值，但下面的代码似乎没有这样做。

df2 <- df1 %>%
  group_by(ID, date) %>%
  summarize(mean(value))

前面的代码产生以下输出：

ID    date       `mean(value)`
id1   2021-01-01           1.5
id1   2021-01-02           1.5
id1   2021-01-03           1.5
id1   2021-01-04           1.5
id1   2021-01-05           1.5

这没有意义，因为 id1 的 2020-01-01 应该具有与 id1 的 2020-01-02 不同的平均值，因为在 2021-01-01 上只存在 value=1 的 IDsub 1001，而IDsub 1001 和 1002 的值分别为 1 和 2，它们都出现在 2021 年 1 月 2 日。所以 2021-01-01 和 2021-01-02 的值应该不同，但它们不是。

我显然在这里遗漏了一些简单的东西。

Answer 1

我认为您的 map2 陈述不正确。
这是使用 lubridate 的 within 函数的另一个可能选项。

library(dplyr)
library(lubridate)

df <- structure(list(IDsub = c("1001", "1002", "1003", "1004"), 
                     ID = c("id1", "id1", "id2", "id2"), 
                     start_date = structure(c(18628, 18629, 18632, 18637), class = "Date"), 
                     end_date = structure(c(18637, 18636, 18640, 18639), class = "Date"), 
                     value = c(1, 2, 2, 0)), row.names = c(NA, -4L), class = c("tbl_df", "tbl", "data.frame"))

#find start end date and create sequence
firstdate <- min(df$start_date)
lastdate <- max(df$end_date)
timeseq <-seq(firstdate, lastdate, by="1 day")

#split by id
dflist<-split(df, df$ID)
lapply(names(dflist), function(dfname){
   
   iddf<-dflist[[dfname]]
   #create time intervals for each row 
   intervals <-interval(iddf$start_date, iddf$end_date)
   meanvalues <- sapply(timeseq, function(nrow){
      withinresult <- nrow %within% intervals
      mean(iddf$value[withinresult], na.rm=TRUE)
   })
   tibble(dfname, timeseq, meanvalues)
})

lapply 语句的最终结果是按 ID 列出的数据帧列表。可以将它们绑定在一起并根据最终意图进行重塑。