我正在尝试根据条件对配对数据进行分组 对包括在2天内观察到的两个人。
我的样本的主要数据是:
'hldid', 'cid', 'pid', 'diary', 'sex', 'day', 'main1'
。
'hldid'
指的是配对数据标识符
'cid'
是配对的数据日标识符
'pid'
个人识别码
'diary'
日记(每个人必须填写2本日记)
'sex' 'day' 'main1'
指的是性别,日期和观察到的活动。
我想要做的是根据两个条件对数据进行子集化:
hldid
必须是2个人。
每一对都应该由一个男人和一个女人组成。 diary
。所以4 {日期hldid
我发现这样做的唯一方法是执行以下操作:
按性别分开
M = filter(dtaSimple, sex == 1)
W = filter(dtaSimple, sex == 2)
按配对日标识符合并
dtaSimple_c = merge(M, W, by = 'cid', suffixes = c('_m', '_w'))
然后我会得到
cid hldid_m pid_m diary_m sex_m day_m main1_m hldid_w pid_w diary_w sex_w day_w main1_w
1 1250_1 1250 1250_2 1 1 1 0 1250 1250_1 1 2 1 0
2 1250_2 1250 1250_2 2 1 3 0 1250 1250_1 2 2 3 0
3 1294_1 1294 1294_2 1 1 6 0 1294 1294_1 1 2 6 0
4 1294_2 1294 1294_2 2 1 1 0 1294 1294_1 2 2 1 0
我认为这并不令人满意。
每行指的是每个hldid
的第一个日记,每列都适用于pair
的男性或女性。
我想保留1行一个人和一天的原始数据结构。
hldid cid pid diary sex day main1
1 1250 1250_1 1250_1 1 2 1 0
2 1250 1250_2 1250_1 2 2 3 0
3 1250 1250_1 1250_2 1 1 1 0
4 1250 1250_2 1250_2 2 1 3 0
.....
数据:
dtaSimple = structure(
list(
hldid = c(1250, 1250, 1250, 1250, 1294, 1294, 1294, 1294, 1352, 1352),
cid = c("1250_1", "1250_2", "1250_1", "1250_2", "1294_1", "1294_2", "1294_1", "1294_2", "1352_1", "1352_2"),
pid = c("1250_1", "1250_1", "1250_2", "1250_2", "1294_1", "1294_1", "1294_2", "1294_2", "1352_1", "1352_1"),
diary = c(1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L),
sex = c(2L, 2L, 1L, 1L, 2L, 2L, 1L, 1L, 2L, 2L),
day = c(1L, 3L, 1L, 3L, 6L, 1L, 6L, 1L, 1L, 3L),
main1 = c(0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L)),
.Names = c("hldid", "cid", "pid", "diary", "sex", "day", "main1"),
row.names = c(NA, 10L),
class = "data.frame"
)
答案 0 :(得分:4)
听起来你需要按分组变量进行过滤。据我了解,对于每个hldid
,您要确保sex
有2个不同的值,总共有4个观察值。
您可以使用 dplyr 中的filter
和group_by
:
library(dplyr)
dtaSimple %>%
group_by(hldid) %>%
filter(n_distinct(sex) == 2, n() >= 4)
hldid cid pid diary sex day main1
1 1250 1250_1 1250_1 1 2 1 0
2 1250 1250_2 1250_1 2 2 3 0
3 1250 1250_1 1250_2 1 1 1 0
4 1250 1250_2 1250_2 2 1 3 0
5 1294 1294_1 1294_1 1 2 6 0
6 1294 1294_2 1294_1 2 2 1 0
7 1294 1294_1 1294_2 1 1 6 0
8 1294 1294_2 1294_2 2 1 1 0
更改数据集,使一个hldid
没有4个观察结果进行更彻底的测试:
dtaSimple2 = dtaSimple[-4,]
dtaSimple2 %>%
group_by(hldid) %>%
filter(n_distinct(sex) == 2, n() >= 4)
hldid cid pid diary sex day main1
1 1294 1294_1 1294_1 1 2 6 0
2 1294 1294_2 1294_1 2 2 1 0
3 1294 1294_1 1294_2 1 1 6 0
4 1294 1294_2 1294_2 2 1 1 0
如果每个sex
必须有2个日记条目,一个性别可以有1个条目,而另一个可能有3个条目,则需要稍微不同的策略。也许只确保每个sex
的每个id
有两个以上的观察结果?
dtaSimple %>%
group_by(hldid) %>%
filter(sum(sex == 1) >= 2, sum(sex == 2) >= 2)
答案 1 :(得分:1)
在plyr
库中有一个函数ddply
,它适用于通过列值组合进行快速分组和制表。考虑到你想要非常具体的分组计数,我喜欢ddply
。这将两个ddply()
函数链接在一起,最终根据以下内容筛选出个人:
1)他们没有两个日记值
# calculate the number of diaries by pid (we are looking for exactly two):
diaryByPid <- ddply(dtaSimple,c("pid"),function(x){ length(unique(x$diary))})
# the valid pids have exactly two unique diary values
validPid <- diaryByPid$pid[which(diaryByPid[,2]==2)]
# now subset the original dtaSimple to retain only those matched above
dtaSub <- dtaSimple[which(dtaSimple$pid %in% validPid),]
我们排除了pid没有两个独特日记值的记录。现在我们需要将它们与相应的cid
值配对,并确保代表两种性别:
# ddply to group by cid and count the number of unique values of $sex column
sexByCid <- ddply(dtaSub,c("cid"),function(x){ length(unique(x$sex))})
# retain the cids for which we have two unique sexes
validCid <- sexByCid$cid[which(sexByCid[,2]==2)]
# subset the previously subsetted dtaSub to remove records without gender matches.
dtaSub2 <- dtaSub[which(dtaSub$cid %in% validCid),]
由于我们只删除了原始结构中的行,因此它保持相同的格式:
head(dtaSub2)
hldid cid pid diary sex day main1
1 1250 1250_1 1250_1 1 2 1 0
2 1250 1250_2 1250_1 2 2 3 0
3 1250 1250_1 1250_2 1 1 1 0
4 1250 1250_2 1250_2 2 1 3 0
5 1294 1294_1 1294_1 1 2 6 0
6 1294 1294_2 1294_1 2 2 1 0
7 1294 1294_1 1294_2 1 1 6 0
8 1294 1294_2 1294_2 2 1 1 0