R 按日期分组ID

我有一个三列的数据表id，dtstart，dtend。例如：

id开始结束
1  01/01/2015   31/01/2015
1  02/02/2015   28/02/2015
1  01/07/2016   31/07/2016
1  01/08/2016   31/08/2016
2  01/03/2015   31/03/2015
2  01/04/2015   30/04/2015
2  01/02/2016   28/02/2016
2  01/03/2016   31/03/2016
...

我需要创建另一个按id分组的具有相同列的数据表，但新的开始日期是原始开始日期中的最小日期，新的结束日期是原始dtend中的最大日期

当结束日期和下一个开始日期之间的间隔超过一天时，则应单独分组

例如，上述新表格为：

id    start       end
1     01/01/2015  28/02/2015
1     01/07/2016  31/08/2016
2     01/03/2015  30/04/2016
2     01/02/2016  31/03/2016
...

我需要for循环还是有更有效的方法（例如数据表分组）？该表超过2000万行，具有100k+唯一ID

干杯

---

Andrew

这可以使用

dplyr

dt.new <- dt %>%
          arrange(id, start, end) %>%
          mutate(gr = cumsum(lag(id, default = min(id)) != id | 
                      as.numeric(difftime(start, lag(end, default = first(start)), units = 'days')) > 1)) %>%
          group_by(id, gr) %>%
          summarise(start = first(start),
                    end   = last(end))

dt.new%
排列（id、开始、结束）%>%
突变（gr=cumsum（滞后（id，默认值=min（id））！=id|
as.numeric（difftime（开始，延迟（结束，默认值=第一个（开始）），单位=‘天’）>1））%>%
分组依据（id，gr）%>%
总结（开始=第一个（开始），
结束=最后（结束））

结果是：

Source: local data frame [6 x 4]
Groups: id [?]

     id    gr      start        end
  <int> <int>     <dttm>     <dttm>
1     1     0 2015-01-01 2015-01-31
2     1     1 2015-02-02 2015-02-28
3     1     2 2016-07-01 2016-08-31
4     2     3 2015-03-01 2015-04-30
5     2     4 2016-02-01 2016-02-28
6     2     5 2016-03-01 2016-03-31    

来源：本地数据帧[6 x 4]
组：id[？]
id gr起始端
1     1     0 2015-01-01 2015-01-31
2     1     1 2015-02-02 2015-02-28
3     1     2 2016-07-01 2016-08-31
4     2     3 2015-03-01 2015-04-30
5     2     4 2016-02-01 2016-02-28
6     2     5 2016-03-01 2016-03-31    

这是有效的，与您的输出不匹配，因为您请求了一天的保证金（如果您想要两天的保证金，请从

>1

切换到

>2

），而2016年是闰年，这在R的内部日历中。因此，2016年2月28日和2016年3月1日之间的差额为2天。

再次感谢@akash87

例如，下面的第6行在一个月内，因此它仍应返回id 1从2006年2月1日到2006年9月30日的一行，但它分为两行，第一行从2006年2月1日到2006年6月12日，然后从2006年7月1日到2016年9月30日

id dtstart     dtend
1  01/02/2006  28/02/2006
1  01/03/2006  31/03/2006
1  01/04/2006  30/04/2006
1  01/05/2006  31/05/2006
1  01/06/2006  30/06/2006
1  10/06/2006  12/06/2006
1  01/07/2006  31/07/2006
1  01/08/2006  31/08/2006
1  01/09/2006  30/09/2006
2  01/04/2006  30/04/2006
2  01/05/2006  31/05/2006
2  01/09/2006  30/09/2006
2  01/10/2006  31/10/2006

因此，与其返回

id start       end
1  01/02/2006  30/09/2006
2  01/04/2006  31/05/2006
2  01/09/2006  31/10/2006

我们有

id start       end
1  01/02/2006  12/06/2006
1  01/07/2006  30/09/2006
2  01/04/2006  31/05/2006
2  01/09/2006  31/10/2006

---

安德鲁

我想这可能会让你走：谢谢。cumsum正在为我制作NAs。我尝试使用.numeric（as.Date（start，format=“%Y-%m-%d”）-lag（as.Date（end，format=“%Y-%m-%d”））>1），但第一个grp条目是NA，因此在分组和汇总时会包含该条目。您必须在

lag（）

中添加

默认值
参数。我更新了我的代码。谢谢@akash87。只有一个错误，当它应该是一个时，它会分成两个。例如，如果第3行为：1 05/02/2007 05/02/2007。这一行是单独分开的。我没有得到那个错误，你能发送一个例子吗？Will do@akash87，我把它放在对原始问题的回答中，并列出了例子。这让我抓狂。啊，这带来了一个不同的问题：您正在同一列中的其他日期范围内查找日期范围。我想，一个不太优雅的原因是在新表上再次运行它，将摘要（…end=last（end））替换为摘要（…end=max（end））？？我使用cumsum得到的日期范围条件（lag（id，default=min（id））！=id |！（dtstart%in%min（dtstart）：max（dtend）），但是添加difftime子句会覆盖它。