有没有办法过滤不包括特定组的重复/重复条目？

Question

首先是一些上下文： 我正在使用一个包含健康相关数据的数据集。它包括治疗前后的问卷分数。但是，一些客户重新出现在数据中以进行进一步处理。我在代码部分提供了数据的模拟示例。

我试图在 dplyr 上提出一个解决方案，因为这是我最熟悉的包，但我没有实现我想要的。

#Example/mock data
   ClientNumber<-c("4355", "2231", "8894", "9002", "4355", "2231", "8894", "9002", "4355", "2231")
        Pre_Post<-c(1,1,1,1,2,2,2,2,1,1)
        QuestionnaireScore<-c(62,76,88,56,22,30, 35,40,70,71)
        df<-data.frame(ClientNumber, Pre_Post, QuestionnaireScore)
        df$ClientNumber<-as.character(df$ClientNumber)
        df$Pre_Post<-as.factor(df$Pre_Post)
        View(df)

#tried solution
df2<-df%>%
  group_by(ClientNumber)%>%
  filter( Pre_Post==1|Pre_Post==2)
#this doesn't work, or needs more code to it

如您所见，前四个客户编号都有治疗前和治疗后的分数。这很好。然而，客户编号 4355 和 2231 再次出现在最后（你可以说他们已经复发并开始了新的治疗）。这两个客户没有治疗后评分。

我只想分析有前后分数的客户，因此我需要过滤已完成治疗的客户，同时排除那些再次出现在数据中的没有治疗后分数的客户。关于我提供的示例，我想包括前 8 个进行分析，同时排除后两个，因为它们没有治疗后分数。

Answer 1

如果要保持这些情况井井有条，您可以尝试：

library(dplyr)

df %>%
  group_by(ClientNumber) %>%
  filter(!duplicated(Pre_Post) & n_distinct(Pre_Post) == 2)

  ClientNumber Pre_Post QuestionnaireScore
  <fct>           <dbl>              <dbl>
1 4355                1                 62
2 2231                1                 76
3 8894                1                 88
4 9002                1                 56
5 4355                2                 22
6 2231                2                 30
7 8894                2                 35
8 9002                2                 40

我不知道你是否真的需要使用n_distinct()，但保留它不会有什么坏处。这将删除具有预评分但没有后评分的案例（如果它们存在于数据中）。

Answer 2

首先arrangeClientNumbers 然后group_by 最后使用dplyr::lead 和dplyr::lag 过滤

library(dplyr)
df %>% arrange(ClientNumber) %>% group_by(ClientNumber) %>% 
       filter(Pre_Post==1 & lead(Pre_Post)==2 | Pre_Post==2 & lag(Pre_Post)==1)

# A tibble: 8 x 3
# Groups:   ClientNumber [4]
   ClientNumber Pre_Post QuestionnaireScore
   <fct>           <dbl>              <dbl>
1 2231                1                 76
2 2231                2                 30
3 4355                1                 62
4 4355                2                 22
5 8894                1                 88
6 8894                2                 35
7 9002                1                 56
8 9002                2                 40

Answer 3

另一个选项是为每个 ClientNumber 创建 2 个组，并仅选择其中包含 2 行的组。

library(dplyr)

df %>%
  arrange(ClientNumber) %>%
  group_by(ClientNumber, group = cumsum(Pre_Post == 1)) %>%
  filter(n() == 2) %>%
  ungroup() %>%
  select(-group)

#  ClientNumber Pre_Post QuestionnaireScore
#    <chr>        <fct>          <dbl>
#1    2231         1               76
#2    2231         2               30
#3    4355         1               62
#4    4355         2               22
#5    8894         1               88
#6    8894         2               35
#7    9002         1               56
#8    9002         2               40

---

同样可以使用ave在base R中翻译

new_df <- df[order(df$ClientNumber), ]
subset(new_df, ave(Pre_Post,ClientNumber,cumsum(Pre_Post == 1),FUN = length) == 2)