Question

我有大量数据，其中包含许多人的病理测试数据。我提出了一个缩小的数据集来描述案例的类型。

library(plyr)
library(tidyr)
library(dplyr)
library(lubridate)

options(stringsAsFactors = FALSE)
dat <- structure(list(PersID = c("am1", "am2", "am2", "am3", "am3", "am4", "am4", "am4", "am4", "am4", "am4"), Sex = c("M", "F","F", "M", "M", "F", "F", "F", "F", "F", "F"), DateTested = c("21/10/2015", "9/07/2010", "24/09/2010", "23/10/2013", "25/10/2013", "28/04/2010", "23/06/2010", "21/07/2010", "20/10/2010", "4/03/2011", "2/12/2011"), Res = c("NR", "R", "R", "NR", "R", "R", "R", "R", "R", "R", "R"), Status = c("Yes", "No", "No", "Yes", "Yes", "No", "No", "No", "No", "No", "No"), DateOrder = c(1L, 1L, 2L, 1L, 2L, 1L, 2L, 3L, 4L, 5L, 6L)), .Names = c("PersID", "Sex", "DateTested", "Res", "Status", "DateOrder"), class = "data.frame", row.names = c(NA, -11L))

数据描述了三种类型的人（1）仅具有单个结果的人（2）具有2个结果的人，以及（3）具有许多结果的人。

我的目标是提出一个脚本，该脚本只根据一组标准包含个人行。从技术上讲，如果个体的后续结果在指定的再感染期（30天）内，则该方法仅计算个体行数。

我已将数据转换为列表并向其传递了许多函数以开始处理数据。

dat$DateTested <- dmy(dat$DateTested)
datList <- dlply(.data=dat, .variables=c('PersID'))

到目前为止，我所做的是：

选择每个人只有一个结果的所有行

fnSingleTests <- function(y){
    y <- y[length(y$DateOrder)==1,]
}

singleTests <- ldply(datList, fnSingleTests, .id = NULL)

将数据框转换为列表并传递一个函数确定（a）30天内每人是否有两行再感染期，然后选择第一个，和（b）如果有每人超过两行，最后一条记录和第一条记录记录在30天内，只保留第一个。

fnMultiTests <- function(y){
    y <- y[length(y$DateOrder) > 1,]
}

multiTests <- llply(datList, fnMultiTests)

fnMultiTestsSplit <- function(y){

    test <- difftime(y$DateTested[length(y$DateTested)], y$DateTested[1], units='days')


    if (nrow(y) <=2){

        if (test < 31){
            y <- y[y$DateOrder == 1, ]
            y <- y[!is.na(y$PerdID), ]
        } else {
            y <- y[y$DateOrder %in% 1:2, ]
            y <- y[!is.na(y$PersID), ]
        }

    } else  {
        if (test < 31){
            y <- y[y$DateOrder == 1, ]
            y <- y[!is.na(y$PersID), ]
        } else {
            break()
        }

    }
}

finalTests <-  ldply(multiTests, failwith(NULL, fnMultiTestsSplit, quiet = TRUE), .id = NULL)

然后我可以将数据框与rbind结合起来：

allFinalTests <- rbind(singleTests, finalTests)

我遇到的情况是每人有两行以上的情况，并且在连续的行中，可能会出现一段时间超过30天再感染期的情况。

任何人都可以建议我如何扩展此代码，以便仅包含两个以上PersID的情况，然后仅包含在30天再感染期之后发生后续情况的结果。

具体而言，从最早的案例开始，如果下一个案件在30天内，则排除第二个案件，或者如果第二个案件超过上一个案件后30天，则包括两个案件。对于相同的PersID

，它应该对所有情况执行此操作

在这个例子中，我要找的最终输出是：

PersID  Sex DateTested  Res Status  DateOrder
am1 M   21/10/2015  NR  Yes 1
am2 F   9/07/2010   R   No  1
am2 F   24/09/2010  R   No  2
am3 M   23/10/2013  NR  Yes 1
am4 F   28/04/2010  R   No  1
am4 F   23/06/2010  R   No  2
am4 F   20/10/2010  R   No  4
am4 F   4/03/2011   R   No  5
am4 F   2/12/2011   R   No  6

Answer 1

在基地R中，我会按如下方式接近它：

# convert the 'DateTested' column to a date-format
dat$DateTested <- as.Date(dat$DateTested, format = "%d/%m/%Y")
# calculate the difference in days with the previous observation in the group
dat$tdiff <- unlist(tapply(dat$DateTested, INDEX = dat$PersID,
                           FUN = function(x) c(0, `units<-`(diff(x), "days"))))
# filter the observations that have either a timedifference of zero or more 
dat[(dat[,"tdiff"]==0 | dat[,"tdiff"] > 30),]

给出：

   PersID Sex DateTested Res Status DateOrder tdiff
1     am1   M 2015-10-21  NR    Yes         1     0
2     am2   F 2010-07-09   R     No         1     0
3     am2   F 2010-09-24   R     No         2    77
4     am3   M 2013-10-23  NR    Yes         1     0
6     am4   F 2010-04-28   R     No         1     0
7     am4   F 2010-06-23   R     No         2    56
9     am4   F 2010-10-20   R     No         4    91
10    am4   F 2011-03-04   R     No         5   135
11    am4   F 2011-12-02   R     No         6   273

使用 data.table 包：

library(data.table)
# convert the 'data.frame' to a 'data.table'
# and convert the 'DateTested' column to a date-format
setDT(dat)[, DateTested := as.Date(DateTested, format = "%d/%m/%Y")]
# calculate the difference in days with the previous observation in the group
dat[, tdiff := c(0, `units<-`(diff(DateTested), "days")), PersID]
# filter the observations that have either a timedifference of zero or more than 30 days
dat[(tdiff==0 | tdiff > 30)]

会给你相同的结果。您也可以按如下方式将其链接在一起：

setDT(dat)[, DateTested := as.Date(DateTested, format = "%d/%m/%Y")
           ][, tdiff := c(0, `units<-`(diff(DateTested), "days")), by = PersID
             ][(tdiff==0 | tdiff > 30)]

使用 dplyr ：

library(dplyr)
dat %>% 
  mutate(DateTested = as.Date(DateTested, format = "%d/%m/%Y")) %>%
  group_by(PersID) %>%
  mutate(tdiff = c(0, `units<-`(diff(DateTested), "days"))) %>%
  filter(tdiff == 0 | tdiff > 30)

也会给你相同的结果。

Answer 2

对于版本1.9.8（在2016年11月25日的CRAN上），data.table包已获得inrange()函数，该函数使用非equi连接执行范围连接

使用inrange()或%inrange%运算符，可以使用

实现预期结果

library(data.table) # CRAN version 1.10.4-2 used
data.table(dat)[, DateTested := as.IDate(DateTested, "%d/%m/%Y")][
  , .SD[!DateTested %inrange% list(DateTested + 1L, DateTested + 30L)], by = PersID]

   PersID Sex DateTested Res Status DateOrder
1:    am1   M 2015-10-21  NR    Yes         1
2:    am2   F 2010-07-09   R     No         1
3:    am2   F 2010-09-24   R     No         2
4:    am3   M 2013-10-23  NR    Yes         1
5:    am4   F 2010-04-28   R     No         1
6:    am4   F 2010-06-23   R     No         2
7:    am4   F 2010-10-20   R     No         4
8:    am4   F 2011-03-04   R     No         5
9:    am4   F 2011-12-02   R     No         6

对于每个PersID，查看日期范围内的任何其他条目[第二天，30天后]。这些被排除在结果之外。

排除的行可以通过以下方式显示：

data.table(dat)[, DateTested := as.IDate(DateTested, "%d/%m/%Y")][
  , .SD[DateTested %inrange% list(DateTested + 1L, DateTested + 30L)], by = PersID]

   PersID Sex DateTested Res Status DateOrder
1:    am3   M 2013-10-25   R    Yes         2
2:    am4   F 2010-07-21   R     No         3

根据特定条件

2 个答案: