以间隔格式重塑宽数据集答案

【问题标题】：Reshaping wide dataset in interval format以间隔格式重塑宽数据集
【发布时间】：2013-01-10 11:16:12
【问题描述】：

我正在研究一个“宽”数据集，现在我想使用一个特定的包（-msSurv-，用于非参数多状态模型），它需要区间形式的数据。

我当前的数据集的特点是每个人一行：

dat <- read.table(text = "

   id    cohort   t0    s1     t1     s2      t2     s3    t3
    1      2      0      1     50      2      70     4     100
    2      1      0      2     15      3      100    0     0   

", header=TRUE)

其中cohort 是一个时间固定的协变量，s1-s3 对应于随时间变化的协变量 s = 1,2,3,4 占用的值（它们是个体随时间访问的不同状态）。日历时间由t1-t3 定义，每个人的范围从0 到100。

因此，例如，个人 1 停留在状态 = 1 直到日历时间 = 50，然后他停留在状态 = 2 直到时间 = 70，最后他停留在状态 = 4 直到时间 100。

我想得到的是一个“区间”形式的数据集，即：

id   cohort  t.start    t.stop   start.s   end.s          
1      2        0         50        1        2
1      2       50         70        2        4
1      2       70        100        4        4
2      1        0         15        2        3
2      1       15        100        3        3

我希望这个例子足够清楚，否则请告诉我，我会尽力进一步澄清。

您将如何使这种重塑自动化？考虑到我有相对大量的（模拟）个体，大约 100 万。

非常感谢您的帮助。

【问题讨论】：

如果你在 *nix 机器上，我建议你看看 awk。

标签： r reshape

【解决方案1】：

我想我明白了。这行得通吗？

require(data.table)
dt <- data.table(dat, key=c("id", "cohort"))
dt.out <- dt[,  list(t.start=c(t0,t1,t2), t.stop=c(t1,t2,t3), 
                     start.s=c(s1,s2,s3), end.s=c(s2,s3,s3)), 
                     by = c("id", "cohort")]

#    id cohort t.start t.stop start.s end.s
# 1:  1      2       0     50       1     2
# 2:  1      2      50     70       2     4
# 3:  1      2      70    100       4     4
# 4:  2      1       0     15       2     3
# 5:  2      1      15    100       3     0
# 6:  2      1     100      0       0     0

如果您显示的输出确实是正确的并且是您所需要的，那么您可以再用两行获得（可能不是最好的方法，但它应该很快）

# remove rows where start.s and end.s are both 0
dt.out <- dt.out[, .SD[start.s > 0 | end.s > 0], by=1:nrow(dt.out)]
# replace end.s values with corresponding start.s values where end.s == 0
# it can be easily done with max(start.s, end.s) because end.s >= start.s ALWAYS
dt.out <- dt.out[, end.s := max(start.s, end.s), by=1:nrow(dt.out)]
dt.out[, nrow:=NULL]

> dt.out
#    id cohort t.start t.stop start.s end.s
# 1:  1      2       0     50       1     2
# 2:  1      2      50     70       2     4
# 3:  1      2      70    100       4     4
# 4:  2      1       0     15       2     3
# 5:  2      1      15    100       3     3

【讨论】：