Question

我有一个巨大的数据文件，长格式 - 下面提供的部分。每个ID可以有多行，其中status是最终状态。但是，我需要使用时变协变量进行分析，因此需要创建两个新的时间变量并更新状态变量。我一直在努力解决这个问题，我无法弄清楚如何有效地做到这一点，因为每个ID可以有多达四行。时变量为NUM.AFTER.DIAG。如果NUM.AFTER.DIAG==0那么很容易，time1=0和time2=STATUSDATE。但是，当NUM.AFTER.DIAG==1时，我需要在time1=0，time2=DOB-DATE.DIAG和NUM.AFTER.DIAG=0之间创建一个新行，并确保STATUS="B"。然后，第二行将是前一行的time1=time2和此行的time2=STATUSDATE-DATE.DIAG-time1。同样，如果有更多行，则需要相互减去不同的行。此外，如果NUM.AFTER.DIAG == 0但有多行，则可以删除所有额外的行。

有效解决此问题的任何想法？我看过约翰福克斯展开的命令，但它假设所有的间隔都是宽格式的。

编辑：请求的表格。至于审查变量：“D”=事件（死亡）

enter image description here

 structure(list(ID = c(187L, 258L, 265L, 278L, 281L, 281L, 283L, 
    283L, 284L, 291L, 292L, 292L, 297L, 299L, 305L, 305L, 311L, 311L, 
    319L, 319L, 319L, 322L, 322L, 329L, 329L, 333L, 333L, 333L, 334L, 
    334L), STATUS = c("D", "B", "B", "B", "B", "B", "D", "D", "B", 
    "B", "B", "B", "D", "D", "D", "D", "B", "B", "B", "B", "B", "D", 
    "D", "B", "B", "D", "D", "D", "D", "D"), STATUSDATE = structure(c(11153, 
    15034, 15034, 15034, 15034, 15034, 5005, 5005, 15034, 15034, 
    15034, 15034, 6374, 5005, 7562, 7562, 15034, 15034, 15034, 15034, 
    15034, 7743, 7743, 15034, 15034, 4670, 4670, 4670, 5218, 5218
    ), class = "Date"), DATE.DIAG = structure(c(4578, 4609, 4578, 
    4487, 4670, 4670, 4517, 4517, 4640, 4213, 4397, 4397, 4397, 4487, 
    4213, 4213, 4731, 4731, 4701, 4701, 4701, 4397, 4397, 4578, 4578, 
    4275, 4275, 4275, 4456, 4456), class = "Date"), DOB = structure(c(NA, 
    13010, NA, NA, -1082, -626, 73, 1353, 13679, NA, 1626, 3087, 
    -626, -200, 2814, 3757, 1930, 3787, 6740, 13528, 14167, 5462, 
    6557, 7865, 9235, -901, -504, -108, -535, -78), class = "Date"), 
        NUM.AFTER.DIAG = c(0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 
        0, 0, 0, 0, 0, 1, 2, 3, 1, 2, 1, 2, 0, 0, 0, 0, 0)), .Names = c("ID", 
    "STATUS", "STATUSDATE", "DATE.DIAG", "DOB", "NUM.AFTER.DIAG"), row.names = c(NA, 
    30L), class = "data.frame")

编辑：我确实想出了一个解决方案，虽然效率可能不高。

  u1<-ddply(p,.(ID),function(x) {

  if (x$NUM.AFTER.DIAG==0){

    x$time1<-0
    x$time2<-x$STATUSDATE-x$DATE.DIAG
    x<-x[1,]

  }
  else {

      x<-rbind(x,x[1,])
      x<-x[order(x$DOB),]
      u<-max(x$NUM.AFTER.DIAG)
      x$NUM.AFTER.DIAG<-0:u
      x$time1[1]<-0
      x$time2[1:(u)]<-x$DOB[2:(u+1)]-x$DATE.DIAG[2:(u+1)]
      x$time2[u+1]<-x$STATUSDATE[u]-x$DATE.DIAG[u]
      x$time1[2:(u+1)]<-x$time2[1:u]
      x$STATUS[1:u]<-"B"
      }
  x
}
)

Answer 1

好的，我已经尝试了一些东西，但我不确定我完全了解你的转型过程，所以如果有一些错误，请告诉我。一般来说，ddply会很慢（即使在.parallel = TRUE时），当有很多人时，主要是因为最后它必须将所有个体的所有数据集合在一起并rbind（或rbind.fill）它们，对于大量data.frame个对象永远需要。

所以这是一个建议，其中dat.orig是您的玩具数据集：

我首先将任务分成两部分： 1）NUM.AFTER.DIAG == 0 2）NUM.AFTER.DIAG == 1

1）似乎NUM.AFTER.DIAG == 0，除了计算time2和提取第一行（如果ID多次出现）（如ID 333），在第1部分中没有太多事情要做：

## erase multiple occurences
dat <- dat.orig[!(duplicated(dat.orig$ID) & dat.orig$NUM.AFTER.DIAG == 0), ]
dat0 <- dat[dat$NUM.AFTER.DIAG == 0, ]
dat0$time1 <- 0
dat0$time2 <- difftime(dat0$STATUSDATE, dat0$DATE.DIAG, unit = "days")
time.na <- is.na(dat0$DOB)
dat0$time1[time.na] <- dat0$time2[time.na] <- NA

> dat0
    ID STATUS STATUSDATE  DATE.DIAG        DOB NUM.AFTER.DIAG time1      time2
1  187      D 2000-07-15 1982-07-15       <NA>              0    NA    NA days
3  265      B 2011-03-01 1982-07-15       <NA>              0    NA    NA days
4  278      B 2011-03-01 1982-04-15       <NA>              0    NA    NA days
5  281      B 2011-03-01 1982-10-15 1967-01-15              0     0 10364 days
7  283      D 1983-09-15 1982-05-15 1970-03-15              0     0   488 days
10 291      B 2011-03-01 1981-07-15       <NA>              0    NA    NA days
11 292      B 2011-03-01 1982-01-15 1974-06-15              0     0 10637 days
13 297      D 1987-06-15 1982-01-15 1968-04-15              0     0  1977 days
14 299      D 1983-09-15 1982-04-15 1969-06-15              0     0   518 days
15 305      D 1990-09-15 1981-07-15 1977-09-15              0     0  3349 days
17 311      B 2011-03-01 1982-12-15 1975-04-15              0     0 10303 days
26 333      D 1982-10-15 1981-09-15 1967-07-15              0     0   395 days
29 334      D 1984-04-15 1982-03-15 1968-07-15              0     0   762 days

2）有点棘手，但你真正需要做的就是再插入一行并计算时间变量：

## create subset with relevant observations
dat.unfold <- dat[dat$NUM.AFTER.DIAG != 0, ]
## compute time differences
time1 <- difftime(dat.unfold$DOB, dat.unfold$DATE.DIAG, unit = "days")
time1[time1 < 0] <- 0
time2 <- difftime(dat.unfold$STATUSDATE, dat.unfold$DATE.DIAG, unit = "days")

## calculate indices for individuals
n.obs <- daply(dat.unfold, .(ID), function(z) max(z$NUM.AFTER.DIAG) + 1)
df.new <- data.frame(ID = rep(unique(dat.unfold$ID), times = n.obs))
rle.new <- rle(df.new$ID)
ind.last <- cumsum(rle.new$lengths)
ind.first <- !duplicated(df.new$ID)
ind.first.w <- which(ind.first) 
ind.second <- ind.first.w + 1
ind2.to.last <- unlist(sapply(seq_along(ind.second), 
                function(z) ind.second[z]:ind.last[z]))

## insert time variables
df.new$time2 <- df.new$time1 <- NA
df.new$time1[ind.first] <- 0
df.new$time1[!ind.first] <- time1
df.new$time2[!ind.first] <- time2
df.new$time2[ind2.to.last - 1] <- time1

这给了我：

> df.new
    ID time1 time2
1  258     0  8401
2  258  8401 10425
3  284     0  9039
4  284  9039 10394
5  319     0  2039
6  319  2039  8827
7  319  8827  9466
8  319  9466 10333
9  322     0  1065
10 322  1065  2160
11 322  2160  3346
12 329     0  3287
13 329  3287  4657
14 329  4657 10456

这应该适用于STATUS变量以及其他类似方式的变量。当两个步骤分开工作时，您最后必须执行一个rbind步骤。

用于在r中创建时变协变量的工作流程

1 个答案: