基于数据帧子集中的多个参数计算新变量

Question

我正在使用一个大型数据库，该数据库包含超过 100.000 行的多项研究。研究规模从 300 到超过 10.000 不等，并且会定期添加更多研究。

我想为每项研究计算 h1 和 h2 的参考区间，不包括不符合标准的案例。之后，我想计算超出这些参考范围的案例，但这次使用所有案例。我想每次研究都这样做，最好是循环或按研究拆分，因为会定期添加新的研究。这样我就不必每次添加新研究时都更改代码。

我尝试了 for 循环和 group_by()，但不幸的是两者都不起作用。

考虑这个data.frame：

df <- data.frame(study = rep(LETTERS[1:3], each = 4), 
                 h1 = c(2, 3, 8, 4, 5, 8, 1, 6, 7, 8, NA, 11), 
                 h2 = c(10, 12, 9, 14, 15, 16, 20, 19, 11, 12, 14, 18),
                 v1 = c(0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 1), 
                 v2 = c(0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0))
df

# Groups:   study [3]
   study    h1    h2    v1    v2
   <chr> <dbl> <dbl> <dbl> <dbl>
 1 A         2    10     0     0
 2 A         3    12     0     1
 3 A         8     9     1     0
 4 A         4    14     0     0
 5 B         5    15     0     0
 6 B         8    16     0     0
 7 B         1    20     1     1
 8 B         6    19     0     0
 9 C         7    11     0     0
10 C         8    12     0     0
11 C        NA    14     0     0
12 C        11    18     1     0

我想计算每项研究的参考区间，不包括 v1 或 v2 为“1”的案例。以第一个研究为例：

   > quantile(df$h1[df$study == "A" & df$v1 == 0 & df$v2 == 0], prob = c(0.05, 0.95), na.rm = TRUE)
     5% 95% 
    2.1 3.9 
   > quantile(df$h2[df$study == "A" & df$v1 == 0 & df$v2 == 0], prob = c(0.05, 0.95), na.rm = TRUE)
      5%  95% 
    10.2 13.8

现在我想计算一个新变量，如果 h1 >= 参考区间 q1 的上限且 h2

我试过这个for循环：

library(dplyr)    
for (i in levels(df$study)){
      
      q1 <- quantile(df$h1[df$study == i & df$v1 == 0 & df$v2 == 0], prob = c(0.05, 0.95), na.rm = TRUE)
      q2 <- quantile(df$h2[df$study == i & df$v1 == 0 & df$v2 == 0], prob = c(0.05, 0.95), na.rm = TRUE)
      
      df <- df %>% 
        mutate(x1 = if_else(study == i & h1 >= q1[2] & h2 < q2[1], 1, 0))  
    }

不幸的是，这不起作用。此外，如果它可以工作，我认为它会导致一个循环，它会覆盖它自己的结果。我也尝试过使用 dplyr 和 group_by；

df <- df %>% group_by(study)
  mutate(x1 = ifelse((df$h1 >= quantile(df$h1[df$v1 == 0 & df$v2 == 0], prob = c(0.95), na.rm = TRUE) &
                      df$h2 <  quantile(df$h2[df$v1 == 0 & df$v2 == 0], prob = c(0.05), na.rm = TRUE)), 1, 0))

但这给了我一个错误：没有适用于“变异”的方法应用于类“c（'double'，'numeric'）”的对象。

它应该会产生一个新的变量x1，第一个研究应该是0,0,1,0。有没有人有提示必须解决这个问题？

Answer 1

由于您只想要h1 的上分位数和h2 的下一个分位数，因此只计算这些并将它们添加为新列进行比较。

library(dplyr)

df %>%
  group_by(study) %>%
  mutate(val1 = quantile(h1[v1 == 0 & v2 == 0], prob = 0.95, na.rm = TRUE), 
         val2 = quantile(h2[v1 == 0 & v2 == 0], prob = 0.05, na.rm = TRUE),
         x1 = as.integer(h1 >= val1 & h2 <= val2), 
         x1 = replace(x1, is.na(h1) | is.na(h2), NA)) %>%
  ungroup -> df
df

#   study    h1    h2    v1    v2  val1  val2    x1
#   <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <int>
# 1 A         2    10     0     0  3.9   10.2     0
# 2 A         3    12     0     1  3.9   10.2     0
# 3 A         8     9     1     0  3.9   10.2     1
# 4 A         4    14     0     0  3.9   10.2     0
# 5 B         5    15     0     0  7.8   15.1     0
# 6 B         8    16     0     0  7.8   15.1     0
# 7 B         1    20     1     1  7.8   15.1     0
# 8 B         6    19     0     0  7.8   15.1     0
# 9 C         7    11     0     0  7.95  11.1     0
#10 C         8    12     0     0  7.95  11.1     0
#11 C        NA    14     0     0  7.95  11.1    NA
#12 C        11    18     1     0  7.95  11.1     0