【问题标题】:R, dplyr: Collapse character variable elements by group if there is only one unique non-NA element per groupR,dplyr:如果每组只有一个唯一的非 NA 元素,则按组折叠字符变量元素
【发布时间】:2015-02-23 19:08:37
【问题描述】:

假设我有以下 data.frame df 患者家乡和一个任意临床指标,即心率:

id          <- c(rep(1:3, each = 2), rep(4, 3))
pt_hometown <- c("Atlanta", NA, 
                 NA, "San Diego", 
                 NA, NA, 
                 "San Francisco", "Seattle", NA)
pt_heartrate <- c(NA, 82,
                  NA, NA,
                  76, 76,
                  90, 93, NA)

df <- data.frame(id = id, 
                 pt_hometown = pt_hometown,
                 pt_heartrate = pt_heartrate,
                 stringsAsFactors = FALSE)
df

这给了

id   pt_hometown pt_heartrate
 1       Atlanta           NA
 1          <NA>           82
 2          <NA>           NA
 2     San Diego           NA
 3          <NA>           76
 3          <NA>           76
 4 San Francisco           90
 4       Seattle           93
 4          <NA>           NA

As I've learned here、summarise_each 可以将一个或多个函数应用于分组数据帧,以将记录折叠为每组一个。最简单的情况可能是从 df 中的所有变量中选择第一个非 NA 值,然后将它们折叠成每组一个。

  df1 <- df %>%  
    group_by(id) %>%
    summarise_each(funs(first(.[!is.na(.)]))

df1

id   pt_hometown pt_heartrate
 1       Atlanta           82
 2     San Diego           NA
 3            NA           76
 4 San Francisco           90

当然,对于实际应用,可能需要更具体一点的折叠。我知道如何按类型对df 的变量进行分组,例如,根据id 选择max 心率并折叠到一条记录,但我不知道该怎么做是有条件地折叠字符变量到每组一条记录,因为只有一个唯一的非 NA 值。

更具体地说,考虑id 编号为 4 的患者。pt_hometown 有两个唯一值,“旧金山”和“西雅图”。显然两者都不可能是正确的。所以我想折叠只有一个非 NA 值的每个组的记录,但保留存在多个非 NA 元素的行,然后引起我们组的注意以决定如何纠正原始数据集中的错误。

所以我希望df1 看起来像这样:

id   pt_hometown pt_heartrate
 1       Atlanta           82
 2     San Diego           NA
 3          <NA>           76
 4 San Francisco           90
 4       Seattle           93

这是我尝试过的:

df1 <- df %>%  
  group_by(id) %>%
  summarise_each_(funs(first(.[!is.na(.)])), df[length(unique(.[!is.na(.)])) == 1])

【问题讨论】:

  • 据我所知,summarise 和 summarise_each 目前只允许每组返回 1 行。开发者are discussing如何让它更灵活。

标签: r dplyr


【解决方案1】:

对于某些极端情况,我有点不清楚您想要什么,但这适用于 OP:

library(data.table)
dt = as.data.table(df) # or convert in place using setDT

unique(dt, by = c('id', 'pt_hometown'))[, lapply(.SD, na.omit), by = id]
#   id   pt_hometown pt_heartrate
#1:  1       Atlanta           82
#2:  2     San Diego           NA
#3:  3            NA           76
#4:  4 San Francisco           90
#5:  4       Seattle           93

【讨论】:

    【解决方案2】:

    如上所述,目前无法使用dplyr::summarise_each 来返回可变数量的行。

    如果你想继续使用 dplyr,你可以使用 mutate_each 和 distinct 来规避这个问题。

    这是一个例子:

    f <- function(.) if(length(unique(.[!is.na(.)])) > 1L) . else first(.[!is.na(.)]) 
    
    df %>% 
      group_by(id) %>%
      mutate_each(funs(f)) %>%
      ungroup() %>%
      distinct() %>% 
      filter(rowSums(is.na(.)) < 2L)     # assuming you don't have NAs in the ID column
    
    #Source: local data frame [5 x 3]
    #
    #  id   pt_hometown pt_heartrate
    #1  1       Atlanta           82
    #2  2     San Diego           NA
    #3  3            NA           76
    #4  4 San Francisco           90
    #5  4       Seattle           93
    

    但是,我对您之前的问题或 eddi 的回答中的 data.table 方法可能会更有效。

    【讨论】:

    • 美丽。再次感谢您坚持这些问题。在我的名单上,其中一天分支到data.table。现在,如果我能找到时间... :)
    • 另一个问题 - 说这个 data.frame df (pt_hometown) 中只有一个字符变量,我有几十个,我只想选择这些变量而不是整个df。我知道我会在%&gt;% 链的末尾使用select 函数。但是,如何将包含df(例如名为dfcharvars)中字符列名称的字符向量传递给select?我试过select_(dfcharvars),但它只选择该向量的第一个元素。谢谢。
    • 想出了一个解决办法,但仍然想知道如何使用select...我所做的只是在最后使用%&gt;% .[dfcharvars]。这似乎太简单了......
    猜你喜欢
    • 1970-01-01
    • 1970-01-01
    • 1970-01-01
    • 1970-01-01
    • 2013-10-10
    • 1970-01-01
    • 2015-10-13
    • 2021-01-25
    • 1970-01-01
    相关资源
    最近更新 更多