【发布时间】：2016-11-06 08:48:57
【问题描述】：
我的数据是在一组医院中测量一组受试者使用一组药物治疗的结果。 （#drugs > #subjects > #hospitals）
subjects <- paste("S",1:100,sep="_")
drugs <- paste("D",1:1000,sep="_")
我的data.frame 在每一行都有一个drug、subject、hospital、outcome 组合：
df <- expand.grid(subject=subjects,drug=drugs,stringsAsFactors=F)
hospitals <- paste("H",1:10,sep="_")
df$hospital <- rep(sapply(hospitals,function(h) rep(h,10)),200)
set.seed(1)
df$outcome <- runif(nrow(df),0,100)
现在我想构建一个matrix，其中每一行都是唯一的hospital subject 组合，每一列都是唯一的hospital drug 组合。这可能是构建此矩阵的一种不是最有效的方法：
df$hospital.subject <- paste(df$hospital,df$subject,sep=":")
df$hospital.drug <- paste(df$hospital,df$drug,sep=":")
hospital.subject <- unique(paste(df$hospital,df$subject,sep=":"))
hospital.drug <- unique(paste(df$hospital,df$drug,sep=":"))
mat <- do.call(rbind,lapply(hospital.subject, function(x){
hospital.subject.df <- dplyr::filter(df,hospital.subject==x)
res <- rep(NA,length(hospital.drug))
match.idx <- match(hospital.drug,hospital.subject.df$hospital.drug)
res[which(!is.na(match.idx))] <- hospital.subject.df$outcome[match.idx[which(!is.na(match.idx))]]
return(res)
}))
rownames(mat) <- hospital.subject
colnames(mat) <- hospital.drug
所以问题 #1 是如果可能的话，如何更有效地构建这个矩阵。
现在，由于矩阵稀疏，我想根据hospital.drug 组合在其hospital.drug 组合中用缺失值来估算每个hospital.subject 组合，即未观察到这些subjects在其中观察到它们，从具有mean = median 和sd = mad 的这些观察到的hospital.subject 组合的正态分布。
换句话说，例如对于仅在hospitals[1] 中观察到的subjects[1:10]，请从hospitals[1] 中为每个相应的drug 填写hospitals[2:10]。这意味着：
mat[1:10,2:10] <- rnorm(90,median(mat[1:10,1]),mad(mat[1:10,1]))
mat[1:10,12:20] <- rnorm(90,median(mat[1:10,1]),mad(mat[1:10,1]))
这样一个和下一个医院（垫子中的行），例如，
mat[31:40,2:10] <- rnorm(90,median(mat[31:40,1]),mad(mat[31:40,1]))
mat[31:40,12:20] <- rnorm(90,median(mat[31:40,1]),mad(mat[31:40,1]))
使用for 循环我会这样做：
for(h in 1:length(hospitals)){
row.idx <- which(grepl(paste0(hospitals[h],":"),hospital.subject)==T)
col.idx <- which(grepl(paste0(hospitals[h],":"),hospital.drug)==T)
for(i in 1:length(col.idx)){
drug <- strsplit(hospital.drug[col.idx[i]],split=":")[[1]][2]
impute.idx <- which(grepl(paste0(":",drug,"$"),hospital.drug,perl=T)==T)[-col.idx[i]]
mat[row.idx,impute.idx] <- rnorm(length(row.idx)*length(impute.idx),mean=median(mat[row.idx,col.idx[i]]),sd=mad(mat[row.idx,col.idx[i]]))
}
}
有没有更高效、更优雅的方式来实现这一点？
还有一件事，我的真实数据没有这个例子那么好，因为每家医院的受试者数量并不相同，此外还有不止一家医院接受相同药物治疗的受试者。
【问题讨论】：
标签： r matrix dataframe dplyr reshape2