Question

我是R的初学者，这是我的第一篇文章。我正在为一个问题而苦苦挣扎，很乐意为您提供建议。基本上，我有一个包含3组列的数据集，为了获得所需的结果，我需要对其进行总计处理，该结果是2个最新观察值的平均值（并且这些观察值必须在截止日期之后发生，例如3 / 15/2018），但使之复杂的是，在所有情况下，进入平均值的相关列均不同。

第一组数据列与每个案例的观察次数有关，因此，一个主题有2个观察，主题2有3个，依此类推。
第二组列描述了每个观察值的数据质量。因此，例如，主题1具有两个良好的观测值，而主题2具有第一个观测结果的数据质量较差，而后一个2观测结果的数据质量良好，而主题3具有3个质量较好的观测值和一个观测值（obs_3）数据质量差。

第三组列指定观测日期。

  subject_id obs_1 obs_2 obs_3 obs_4 obs_1_dq obs_2_dq obs_3_dq obs_4_dq obs_1_date obs_2_date obs_3_date obs_4_date desired.average
1          1     5     6    NA    NA     TRUE     TRUE       NA       NA 2018-02-01 2018-03-16       <NA>       <NA>              NA
2          2     6     8    11    NA    FALSE     TRUE     TRUE       NA 2018-02-18 2018-03-16 2018-04-10       <NA>             9.5
3          3     7     9    12    15     TRUE     TRUE    FALSE     TRUE 2018-02-15 2018-03-18 2018-04-02 2018-04-10            12.0
4          4     3     4     8    15     TRUE     TRUE     TRUE     TRUE 2018-02-16 2018-03-08 2018-03-10 2018-03-15              NA

为了计算两个具有良好数据质量的最新观测值的平均值：

我必须首先确定哪些观测结果质量很好
然后，计算在3/15之后发生的平均值（必须是2个观察值的平均值），并且它们必须是两个最新观察值。

下面是我的样本数据集。我尝试在Excel中手动执行此操作，这确实很麻烦。我希望在R中做到这一点，非常感谢您的反馈。谢谢！

Here is my sample dataset: 
> dput(head(df,5))

structure(list(subject_id = c(1, 2, 3, 4), obs_1 = c(5, 6, 7, 
3), obs_2 = c(6, 8, 9, 4), obs_3 = c(NA, 11, 12, 8), obs_4 = c(NA, 
NA, 15, 15), obs_1_dq = c(TRUE, FALSE, TRUE, TRUE), obs_2_dq = c(TRUE, 
TRUE, TRUE, TRUE), obs_3_dq = c(NA, TRUE, FALSE, TRUE), obs_4_dq =    
c(NA, 
NA, TRUE, TRUE), obs_1_date = structure(c(17563, 17580, 17577, 
17578), class = "Date"), obs_2_date = structure(c(17606, 17606, 
17608, 17598), class = "Date"), obs_3_date = structure(c(NA, 
17631, 17623, 17600), class = "Date"), obs_4_date = structure(c(NA, 
NA, 17631, 17605), class = "Date"), desired.average = c(NA, 9.5, 
12, NA)), .Names = c("subject_id", "obs_1", "obs_2", "obs_3", 
"obs_4", "obs_1_dq", "obs_2_dq", "obs_3_dq", "obs_4_dq", "obs_1_date", 
"obs_2_date", "obs_3_date", "obs_4_date", "desired.average"), row.names   
= c(NA, 
4L), class = "data.frame")

Answer 1

看看这是否适合您。代码简短地注释。

df=structure(list(subject_id = c(1, 2, 3, 4), obs_1 = c(5, 6, 7, 
3), obs_2 = c(6, 8, 9, 4), obs_3 = c(NA, 11, 12, 8), obs_4 = c(NA, 
NA, 15, 15), obs_1_dq = c(TRUE, FALSE, TRUE, TRUE), obs_2_dq = c(TRUE, 
TRUE, TRUE, TRUE), obs_3_dq = c(NA, TRUE, FALSE, TRUE), obs_4_dq =    
c(NA, NA, TRUE, TRUE), obs_1_date = structure(c(17563, 17580, 17577, 
17578), class = "Date"), obs_2_date = structure(c(17606, 17606, 
17608, 17598), class = "Date"), obs_3_date = structure(c(NA, 
17631, 17623, 17600), class = "Date"), obs_4_date = structure(c(NA, 
NA, 17631, 17605), class = "Date"), desired.average = c(NA, 9.5, 
12, NA)), .Names = c("subject_id", "obs_1", "obs_2", "obs_3", 
"obs_4", "obs_1_dq", "obs_2_dq", "obs_3_dq", "obs_4_dq", "obs_1_date", 
"obs_2_date", "obs_3_date", "obs_4_date", "desired.average"), row.names   
= c(NA, 4L), class = "data.frame")

# separate each section
obs=df[,2:5]
dq=df[, 6:9]
dt=sapply(df[, 10:13], as.numeric) # for easier calculations
# remove bad quality
obs[dq==F]=NA
# remove dates before 2018-3-15
obs[dt - as.numeric(as.Date("2018-03-15")) <= 0] = NA
# only leave two most recent dates
dt[is.na(obs)]=NA
dt=t(apply(dt,1,function(x){x[x<max(x[x!=max(x, na.rm=T)],na.rm=T)]=NA;x}))
obs[is.na(dt)]=NA
# average
df$avg=apply(obs,1,function(x)ifelse(sum(!is.na(x))>=2, mean(x,na.rm=T), NA))
df

修改：说明

dt=t(apply(dt,1, function(x){x[x<max(x[x!=max(x, na.rm=T)],na.rm=T)]=NA;x}))

我认为x[x<max(x[x!=max(x, na.rm=T)],na.rm=T)]=NA可能有点令人困惑。 na.rm=T的意思是删除NA值。 max(x[x!=max(x)])表示第二大数字。因此x[x < 2nd_largest_num]=NA删除了除最大和第二大数字以外的任何数字。然后将此功能逐行应用于数据帧。最终结果是dt每行仅包含两个最大的数字（数字格式的最近日期）。在下一行obs的{{1}}中将删除所有“已丢弃”的值（dt中的NA）。毕竟，obs[is.na(dt)]=NA仅在每行中包含两个最近的值。

Answer 2

这也应该起作用，虽然有点冗长，但它并不依赖列索引，因此应该很健壮：

public B(int length, int breadth, int height) {
    super(length, breadth, height);
}

结果：

计算所有主题均不同的最后两列的平均值

2 个答案: