简化获取人群中多种疾病比例的代码

Question

我有这样的数据

df <- data.frame (
cancer = c(1, 0, 0, 0, 0, 1, 0, 0, 0, 0),
CVD =    c(0, 1, 1, 0, 1, 0, 0, 0, 0, 0),
diab =   c(0, 0, 0, 1, 0, 1, 0, 0, 1, 0),
stroke = c(0, 1, 1, 0, 1, 0, 0, 0, 1, 0),
asthma = c(0, 0, 0, 0, 1, 1, 0, 0, 0, 0),
LTC_count = c(1, 2, 2, 1, 4, 3, 0, 0, 2, 0))

我的数据要大得多，大约。 100 万行。每行是一个人，变量对应这个人的疾病（1=是）

我想要的是一个数据框，其中包含具有和不具有每种条件的人口比例。

这是我为生成我想要的输出所做的：

1) 分别构建具有每个条件的总体比例

Prop_cancer <- df %>%
group_by(cancer) %>%
summarise(count = n()) %>%
mutate(freq = round((count / sum(count))*100, digits = 1)) %>%
mutate(condition = "cancer") %>%
rename(Y_N = cancer) 

Prop_CVD <- df %>%
group_by(CVD) %>%
summarise(count = n()) %>%
mutate(freq = round((count / sum(count))*100, digits = 1)) %>%
mutate(condition = "CVD") %>%
rename(Y_N = CVD)

Prop_diab <- df %>%
group_by(diab) %>%
summarise(count = n()) %>%
mutate(freq = round((count / sum(count))*100, digits = 1)) %>%
mutate(condition = "diab") %>%
rename(Y_N = diab)

Prop_stroke <- df %>%
group_by(stroke) %>%
summarise(count = n()) %>%
mutate(freq = round((count / sum(count))*100, digits = 1)) %>%
mutate(condition = "stroke") %>%
rename(Y_N = stroke)

Prop_asthma <- df %>%
group_by(asthma) %>%
summarise(count = n()) %>%
mutate(freq = round((count / sum(count))*100, digits = 1)) %>%
mutate(condition = "asthma") %>%
rename(Y_N = asthma)

把这些加在一起

Prop_allcond <- bind_rows(Prop_cancer, Prop_CVD, Prop_stroke, Prop_diab, Prop_asthma)

我有大量的条件和大量的数据。有没有更简单/更快的方法来做到这一点？

我考虑通过ifelse 语句在原始数据框中创建一个新变量“条件”，但这不允许一个人拥有多个条件，并且这些条件按照我指定的顺序优先。

不胜感激有关如何简化此代码以使其不那么长的建议。

Answer 1

患有特定疾病的人口百分比：

colSums(df) / nrow(df) * 100
#cancer       CVD      diab    stroke    asthma LTC_count 
#20        30        30        40        20       150 

Answer 2

使用dplyr，这可以在一行中完成，无需收集等：

df %>% summarize_at(vars(-LTC_count),funs(sum(.)/n()))
  cancer CVD diab stroke asthma
1    0.2 0.3  0.3    0.4    0.2

如果我们想要是和否的频率：

bind_rows("Y"=summarize_at(df,vars(-LTC_count),funs(sum(.)/n()*100)), 
  "N"=summarize_at(df,vars(-LTC_count),funs(sum(!.)/n()*100)),.id="id")

  id cancer CVD diab stroke asthma
1  Y     20  30   30     40     20
2  N     80  70   70     60     80

为了响应您对长数据集的请求，我可以执行以下操作，但坦率地说，如果您想要这个，您最好使用@Ronak 的解决方案：

df1<-bind_rows("Y"=summarize_at(df,vars(-LTC_count),funs(count=sum(.), freq=sum(.)/n()*100)), 
                 "N"=summarize_at(df,vars(-LTC_count),funs(count=sum(!.), freq=sum(!.)/n()*100)),.id="Y_N")

df1<-bind_cols(select(gather(df1,"condition","count",ends_with("_count")),-ends_with("freq")),
          select(gather(df1,"condition","freq",ends_with("_freq")),freq))[,c(2,3,4,1)]

df1$condition<-gsub("_count","",df1$condition)

   condition count freq Y_N
1     cancer     2   20   Y
2     cancer     8   80   N
3        CVD     3   30   Y
4        CVD     7   70   N
5       diab     3   30   Y
6       diab     7   70   N
7     stroke     4   40   Y
8     stroke     6   60   N
9     asthma     2   20   Y
10    asthma     8   80   N

Answer 3

使用tidyverse，我们可以使用gather将数据帧折叠成key、value对的长格式，然后group_by它们并计算每个组中的比率。

library(tidyverse)

df %>%
  gather() %>%
  group_by(key, value) %>%
  summarise(freq = n()) %>%
  ungroup() %>%
  group_by(key) %>%
  mutate(freq = freq/sum(freq) * 100)


#   key    value  freq
#   <chr>  <dbl> <dbl>
# 1 CVD        0    70
# 2 CVD        1    30
# 3 asthma     0    80
# 4 asthma     1    20
# 5 cancer     0    80
# 6 cancer     1    20
# 7 diab       0    70
# 8 diab       1    30
# 9 stroke     0    60
#10 stroke     1    40

注意 - 我忽略了 LTC_count 列，因为它似乎不参与计算。

---

或者我们可以按照@Jake Kaupp 的建议使用count 减少一些步骤

df %>%
  gather() %>%
  count(key, value) %>%
  group_by(key) %>%
  mutate(n = n/sum(n) * 100)