查找重叠区间

Question

上下文：据我所知，R 缺乏一致的函数来促进生存/事件历史分析上下文中的数据准备，例如情节分割以包括随时间变化的协变量（有时称为“计数过程数据”）。

对于每个人 (id)，给出了每集的开始 (start.cp) 和结束时间 (stop.cp)。此外，对于每个 1,2, ..., p 时变协变量 (TVC)，我们知道剧集何时开始 (tvc.start_) 和何时结束 (tvc.stop_) .

在我的示例中（见下文），TVC 的数量为 2，但通常数量可以变化（从 1 到 p）。

示例：

输入数据：

  id start.cp stop.cp tvc.start1 tvc.start2 tvc.stop1 tvc.stop2
1  1        1       2          2          3         4         7
2  1        2       3          2          3         4         7
3  1        3       4          2          3         4         7
4  1        4       7          2          3         4         7
5  1        7      12          2          3         4         7

structure(list(id = c(1, 1, 1, 1, 1), start.cp = c(1, 2, 3, 4, 
7), stop.cp = c(2, 3, 4, 7, 12), tvc.start1 = c(2, 2, 2, 2, 2
), tvc.start2 = c(3, 3, 3, 3, 3), tvc.stop1 = c(4, 4, 4, 4, 4
), tvc.stop2 = c(7, 7, 7, 7, 7)), .Names = c("id", "start.cp", 
"stop.cp", "tvc.start1", "tvc.start2", "tvc.stop1", "tvc.stop2"), 
row.names = c(NA, 5L), class = "data.frame")

TVC 的名称是已知的，即在本例中已知

tvc.start <- c("tvc.start1", "tvc.start2") 
tvc.stop <- c("tvc.stop1", "tvc.stop2")

预期结果：

  id start.cp stop.cp tvc.start1 tvc.start2 tvc.stop1 tvc.stop2 tvc.d1 tvc.d2
1  1        1       2          2          3         4         7      0      0
2  1        2       3          2          3         4         7      1      0
3  1        3       4          2          3         4         7      1      0
4  1        4       7          2          3         4         7      0      1
5  1        7      12          2          3         4         7      0      1

structure(list(id = c(1, 1, 1, 1, 1), start.cp = c(1, 2, 3, 4, 
7), stop.cp = c(2, 3, 4, 7, 12), tvc.start1 = c(2, 2, 2, 2, 2
), tvc.start2 = c(3, 3, 3, 3, 3), tvc.stop1 = c(4, 4, 4, 4, 4
), tvc.stop2 = c(7, 7, 7, 7, 7), tvc.d1 = c(0, 1, 1, 0, 0), tvc.d2 = c(0, 
0, 0, 1, 1)), .Names = c("id", "start.cp", "stop.cp", "tvc.start1", 
"tvc.start2", "tvc.stop1", "tvc.stop2", "tvc.d1", "tvc.d2"), row.names = c(NA, 
5L), class = "data.frame")

问题： 对于每个 TVC，我想创建一个新向量（tvc.d1、tvc.d2，参见示例），它表示给定的剧集（由 start.cp 和 @ 定义） 987654332@) 与 TVC 的间隔重叠 (=1)。假设 [start.cp, stop.cp)。如何在不循环 TVC 集的情况下做到这一点，即我正在寻找矢量化解决方案。

P.S.：请随意更改标题...

Answer 1

我认为 Terry Therneau 可能想对您的主张提出异议，his technical article with Cindy Crowson on handling time-dependent covariates 中早先描述了推荐的生存包中的 tcut 函数和 pyears。我很难理解为什么 tcv.d1 在其停止时间为 2 时应在间隔 2 -> 3 期间提供曝光？但是对于后来的读者的解释在问题的 cmets 中。

你真的只需要 start.cp stop.cp 向量和第一行作为输入数据。您将区间定义向量与每个组件/个体的开始和停止向量的向量进行比较，并找到 == '1' 的区间。我正在考虑数据是否真的以这种方式出现，并且您可能不需要在设置中重复开始和停止时间。

tvec <- with(dat, c(start.cp[1], stop.cp))
dat$tvc.d1 <- 1*( findInterval(tvec,      # the "1*" converts to numeric
                               as.numeric( dat[ 1, c("tvc.start1", "tvc.stop1")]) ,  
                               all.inside=FALSE)[1:5] == 1)
dat$tvc.d2 <- 1*( findInterval(tvec, 
                               as.numeric( dat[ 1, c("tvc.start2", "tvc.stop2")]) ,  
                               all.inside=FALSE)[1:5] == 1)