根据日期识别时间点

Question

我有一个数据集，其中在不同时间从同一个人那里收集了多个不同类型的样本，这给了我一个看起来像这样的数据集

Patient       SampleType     Collection-Date
1               A              15-02-2001
1               B              15-02-2001
2               A              19-02-2001
2               B              19-02-2001
3               A              16-05-2001
3               B              16-05-2001
1               A              16-03-2001
1               B              16-03-2001
3               B              05-03-2001

请注意，日期采用日-月-年格式。我想在 R 中做的是创建一个新变量，我可以使用它来识别每个样本属于哪个时间点，以提供以下输出。

Patient       SampleType        Collection-Date    TimePoint
    1               A              15-02-2001        T1
    1               B              15-02-2001        T1
    2               A              19-02-2001        T1
    2               B              19-02-2001        T1
    3               A              16-05-2001        T1
    3               B              16-05-2001        T1
    1               A              16-03-2001        T2
    1               B              16-03-2001        T2
    3               B              05-03-2001        T2

我主要使用以下代码研究了如何做到这一点：

#generate a key to connect Patients and samples
df<-mutate(df, Key=paste(df$Patient,df$SampleType, sep = "")
#Create a list of Keys
KeyList <- list(df$Key)
#Separate the original data frame based on Key
#Create new dataframes for all values of Key
for (i in unique(DateComp$Key)){
  nam<-paste("df", i, sep = ".")
  assign(nam, DateComp[DateComp$Key== i,])
}

这会为每个患者样本类型组合生成一个唯一的数据框 然后我可以通过执行以下操作来创建所需的结果：

df.1A[order(as.Date(1A$Collection-Date, format="%d%m%Y")),]
rownames(df.1A)= NULL
df.1A <- mutate(df.1A, TimePoint = paste("TP", row_number(),sep=""))

这主要为患者 1 创建所需的输出，样本类型 A 读取时

Patient     SampleType    Collection-Date    Key     TimePoint
1           A             15-02-2001         1A      TP1
1           A             16-03-2001         1A      TP2

但是，这种方法有两个问题： 1）我必须为每个唯一创建的数据框手动编写代码

（所以如果有人能解释我如何使用 lapply 函数或类似函数来做到这一点，我将不胜感激）

2) 如果患者第二次就诊时只有特定的样本类型，那么它将被标记为时间点 1 而不是时间点 2 有谁知道我如何重写代码所以这不会成为问题？ 提前致谢！

Answer 1

如果我理解正确，OP 想要分别计算 Patient 和 SampleType 的每个组合的记录按出现顺序在df。

data.table 有一个方便的函数rowid() 用于此目的。也可以在dplyr 管道中使用：

library(dplyr)
df %>% 
  mutate(TimePoint = data.table::rowid(Patient, SampleType, prefix = "TP"))

  Patient SampleType Collection-Date TimePoint
1       1          A      15-02-2001       TP1
2       1          B      15-02-2001       TP1
3       2          A      19-02-2001       TP1
4       2          B      19-02-2001       TP1
5       3          A      16-05-2001       TP1
6       3          B      16-05-2001       TP1
7       1          A      16-03-2001       TP2
8       1          B      16-03-2001       TP2
9       3          B      05-03-2001       TP2

这符合 OP 的预期结果。但是，我认为这不是正确的结果。

按日期订购更安全

上述方法有一个重大缺陷：时间点的编号依赖于df 中给定的行顺序。但是Patient 3 和SampleType B 的行顺序不符合Collection-Date：

df %>% 
  mutate(TimePoint = data.table::rowid(Patient, SampleType, prefix = "TP")) %>% 
  arrange(Patient, SampleType, `Collection-Date`)

  Patient SampleType Collection-Date TimePoint
1       1          A      15-02-2001       TP1
2       1          A      16-03-2001       TP2
3       1          B      15-02-2001       TP1
4       1          B      16-03-2001       TP2
5       2          A      19-02-2001       TP1
6       2          B      19-02-2001       TP1
7       3          A      16-05-2001       TP1
8       3          B      05-03-2001       TP2
9       3          B      16-05-2001       TP1

第 8 行标记为TP2，尽管收集日期早于第 9 行中的TP1。我怀疑这是正确且预期的时间点编号。

因此，在应用rowid() 函数之前，需要按收集日期对行重新排序。

此外，我们还可以纠正另一个缺陷。 Collection-Date 不是语法有效的名称，可能会导致编码问题（除非转义）。

在这里，我们切换到我更熟悉的data.table 语法：

library(data.table)
# coerce to data.table
setDT(df)
# make syntactically valid names
setnames(df, names(df), make.names(names(df)))
# convert character date to class Date
df[, Collection.Date := lubridate::dmy(Collection.Date)]
# order by Date and append rowid counts
df[order(Collection.Date), TimePoint := rowid(Patient, SampleType, prefix = "TP")][]

   Patient SampleType Collection.Date TimePoint
1:       1          A      2001-02-15       TP1
2:       1          B      2001-02-15       TP1
3:       2          A      2001-02-19       TP1
4:       2          B      2001-02-19       TP1
5:       3          A      2001-05-16       TP1
6:       3          B      2001-05-16       TP2
7:       1          A      2001-03-16       TP2
8:       1          B      2001-03-16       TP2
9:       3          B      2001-03-05       TP1

请注意，df 的行没有重新排列，但 rowid() 函数已按正确顺序应用，因此第 9 行现在根据其收集日期正确标记为 TP1。

数据

library(data.table)
df <- fread(
  "Patient       SampleType     Collection-Date
1               A              15-02-2001
1               B              15-02-2001
2               A              19-02-2001
2               B              19-02-2001
3               A              16-05-2001
3               B              16-05-2001
1               A              16-03-2001
1               B              16-03-2001
3               B              05-03-2001",
  data.table = FALSE
)