使用 for 循环并提取数据而不重复（dplyr 和 foreach）答案

【问题标题】：Using for loop and Extracting the data without duplication (dplyr & foreach)使用 for 循环并提取数据而不重复（dplyr 和 foreach）
【发布时间】：2020-07-28 01:38:37
【问题描述】：

我正在使用 RpostgreSQL、dplyr 和 foreach 包分析数据。

总数据50万行，目标组5000。

我想为每个目标提取 4 个对照组。因此，对照组的总N为20,000。

问题是，在提取的 20,000 人中，不应该有重复的值，但会有重复的。并且控件不应该在trt组中。

我的代码有重复值。我该怎么办？

非常感谢

我使用的代码形式如下。

controlgroup <- trtgroup[1,] %>% select(person_id,enroll_date,measurement_date,age,value,gender,case_number) %>% .[0,]


system.time({
  controlgroup <- foreach(i=1:50, .combine=rbind, .packages=c('dplyr','lubridate')) %dopar% {
    target_patient <- allo_case[i,] %>% select(person_id,enroll_date,measurement_date,age,value,gender,case_number)
    cont_list <- controlgroup %>% select(person_id)
    control_tmp1 <- enroll5_m %>% filter((gender == target_patient[6] %>% as.numeric) &  # gender
                                                (age >= target_patient[4] %>% as.numeric - 5 & age <= target_patient[4] %>% as.numeric + 5) & # age +- 5
                                                (!(person_id %in% (cont_list %>% select(person_id)))) &
                                                (!(person_id %in% (trtgroup %>% select(person_id)))) %>% slice(1:4)
    sample_n_number <- if_else(nrow(control_tmp1) >= 4, 4, nrow(control_tmp1) %>% as.double())
    control_tmp2 <- control_tmp1 %>% sample_n(sample_n_number) %>% mutate(case_number = i)
    return(control_tmp2)
  }
})

【问题讨论】：

标签： r foreach dplyr

【解决方案1】：

一种方法是创建一个与您的数据大小相同的整数随机向量，然后将其拆分为一个包含 5000 个向量的列表，每个向量包含 4 个整数。然后根据此列表选择您的控制组。

d <- sample.int(20000, 20000, replace = FALSE)
split(d, ceiling(seq_along(d)/4))

例如，将mtcars 分成 8 个不重叠的随机组：

set.seed(1724)
df <- mtcars
d <- sample.int(32, 32, replace = FALSE)
i <- split(d, ceiling(seq_along(d)/4))
control <- lapply(i, function(x, df) df[x,], df = df)

或者，purrr::map() 可能会更好地扩展：

control <- purrr::map(i, ~df[.x,], df = df)

见https://stackoverflow.com/a/17773112/8675075和https://stackoverflow.com/a/3321659/8675075

【讨论】：