dplyr - 排列、分组、计算日期差异答案

【问题标题】：dplyr - arrange, group, compute difference in datesdplyr - 排列、分组、计算日期差异
【发布时间】：2016-07-09 21:15:35
【问题描述】：

我有一个大型数据集，显示了孩子从“健康”事件到随后的“生病”事件的跟进情况

我正在尝试使用 dplyr 计算“健康”事件和第一个“生病”事件之间的时间

模拟数据集

 id <- c(1,1,1,1,1,1) 
event <- c("healthy","","","sick","sick","")
date_follow_up <- c("4/1/15", "4/2/15", "4/3/15", "4/4/15", "4/5/15", "4/6/15")

df1 <- data_frame(id, event, date_follow_up)

模拟输出数据集

id <- c(1,1,1,1,1,1) 
event <- c("healthy","","","sick","sick","")
date_follow_up <- c("4/1/15", "4/2/15", "4/3/15", "4/4/15", "4/5/15", "4/6/15")
diff_time <- c(3,"","","","","")

df1 <- data_frame(id, event, date_follow_up, diff_time)

我只能使用 dplyr 按“id”和“date_follow_up”对数据进行排序，然后按“id”分组：

df2 <- df1 %>% arrange(id, date_follow_up) %>% group_by(id)

请帮助计算日期差异并将其添加到每个人的“健康”事件行旁边:)

【问题讨论】：

标签： r dplyr

【解决方案1】：

使用@akrun 的示例数据，这是使用 data.table 中的 rolling joins 的一种方法：

require(data.table)
dt = as.data.table(mydf)[, date_follow_up := as.Date(date_follow_up, format="%m/%d/%y")][]
dt1 = dt[event == "healthy"]
dt2 = dt[event == "sick"]

idx = dt2[dt1, roll = -Inf, which = TRUE, on = c("id", "date_follow_up")]

想法是：对于每个健康日期（dt1），获取第一个生病日期（dt2）>= 健康日期的索引。

那么直接将两个日期相减即可得到最终结果。

dt[event == "healthy", 
     diff := as.integer(dt2$date_follow_up[idx] - dt1$date_follow_up)]

【讨论】：

嗨，感谢您的反馈，在运行最后一行代码时，我收到错误：[.data.table(dt2, dt1, roll = -Inf, which = TRUE, on = 中的错误。 (id, : 找不到函数“。”

【解决方案2】：

我稍微修改了您的数据以彻底检查此案例。我的建议与 alistaire 的建议类似。我的建议可以为mydf 中的 id 2 生成 NA，而 alistaire 建议会创建 Inf。首先，我将您的日期（以字符形式）转换为 Date 对象。然后，我将数据按id 分组，并通过从第一天减去healthy 的第一天（即date_follow_up[event == "healthy"][1]）来计算时差sick（即date_follow_up[event == "sick"][1]）。最后，我将不相关行的时差替换为 NA。

   id   event date_follow_up
1   1 healthy         4/1/15
2   1                 4/2/15
3   1                 4/3/15
4   1    sick         4/4/15
5   1    sick         4/5/15
6   2                 4/1/15
7   2 healthy         4/2/15
8   2                 4/3/15
9   2                 4/4/15
10  2                 4/5/15
11  3                 4/1/15
12  3 healthy         4/2/15
13  3    sick         4/3/15
14  3                 4/4/15
15  3                 4/5/15

library(dplyr)
mutate(mydf, date_follow_up = as.Date(date_follow_up, format = "%m/%d/%y")) %>%
group_by(id) %>%
mutate(foo = date_follow_up[event == "sick"][1] - date_follow_up[event == "healthy"][1],        
       foo = replace(foo, which(event != "healthy"), NA))


Source: local data frame [15 x 4]
Groups: id [3]

      id   event date_follow_up            foo
   <int>   <chr>         <date> <S3: difftime>
1      1 healthy     2015-04-01         3 days
2      1             2015-04-02        NA days
3      1             2015-04-03        NA days
4      1    sick     2015-04-04        NA days
5      1    sick     2015-04-05        NA days
6      2             2015-04-01        NA days
7      2 healthy     2015-04-02        NA days
8      2             2015-04-03        NA days
9      2             2015-04-04        NA days
10     2             2015-04-05        NA days
11     3             2015-04-01        NA days
12     3 healthy     2015-04-02         1 days
13     3    sick     2015-04-03        NA days
14     3             2015-04-04        NA days
15     3             2015-04-05        NA days

数据

mydf <- structure(list(id = c(1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 
3L, 3L, 3L, 3L, 3L), event = c("healthy", "", "", "sick", "sick", 
"", "healthy", "", "", "", "", "healthy", "sick", "", ""), date_follow_up = c("4/1/15", 
"4/2/15", "4/3/15", "4/4/15", "4/5/15", "4/1/15", "4/2/15", "4/3/15", 
"4/4/15", "4/5/15", "4/1/15", "4/2/15", "4/3/15", "4/4/15", "4/5/15"
)), .Names = c("id", "event", "date_follow_up"), row.names = c(NA, 
-15L), class = "data.frame")

【讨论】：

您好 Jazzurro，就像 Akrun 的一样，我感谢您考虑到多个健康/疾病事件以及您如何满足其他 id 的需求。让我看看“真实”数据是如何响应的。干杯
@K.Kariuki Pleasure oto 帮助你。

【解决方案3】：

我们也可以使用data.table。将“data.frame”转换为“data.table”（setDT(mydf)），使用as.Date将“date_follow_up”的类更改为Date，按“id”分组，并通过获取的累积和创建的分组变量逻辑向量（event == "healthy"），我们得到第一个“生病”“事件”的“date_follow_up”与第一个“date_follow_up”（这将是“健康”）的区别if有any“生病”该特定组中的“事件”或else 返回“NA”。

library(data.table)
setDT(mydf)[, date_follow_up := as.Date(date_follow_up, "%m/%d/%y")
    ][, foo := if(any(event == "sick"))  
                  as.integer(date_follow_up[which(event=="sick")[1]] - 
                         date_follow_up[1] )
                else NA_integer_ , 
     by = .(grp= cumsum(event == "healthy"), id)]

然后，我们可以将所有不“健康”的“事件”的“foo”更改为“NA”。

mydf[event!= "healthy", foo := NA_integer_]
mydf
#    id   event date_follow_up foo
# 1:  1 healthy     2015-04-01   3
# 2:  1             2015-04-02  NA
# 3:  1             2015-04-03  NA
# 4:  1    sick     2015-04-04  NA
# 5:  1    sick     2015-04-05  NA
# 6:  2             2015-04-01  NA
# 7:  2 healthy     2015-04-02  NA
# 8:  2             2015-04-03  NA
# 9:  2             2015-04-04  NA
#10:  2             2015-04-05  NA
#11:  3             2015-04-01  NA
#12:  3 healthy     2015-04-02   1
#13:  3    sick     2015-04-03  NA
#14:  3             2015-04-04  NA
#15:  3             2015-04-05  NA
#16:  4             2015-04-01  NA
#17:  4 healthy     2015-04-02   3
#18:  4             2015-04-03  NA
#19:  4             2015-04-04  NA
#20:  4    sick     2015-04-05  NA
#21:  4    sick     2015-04-06  NA
#22:  4             2015-04-07  NA
#23:  4 healthy     2015-04-08   2
#24:  4             2015-04-09  NA
#25:  4    sick     2015-04-10  NA

注意：在这里，我准备了数据，其中对于特定的“id”可能存在多个“健康/生病”“事件”。

数据

mydf <- structure(list(id = c(1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 3, 3, 3, 
3, 3, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4), event = c("healthy", "", 
"", "sick", "sick", "", "healthy", "", "", "", "", "healthy", 
"sick", "", "", "", "healthy", "", "", "sick", "sick", "", "healthy", 
"", "sick"), date_follow_up = c("4/1/15", "4/2/15", "4/3/15", 
"4/4/15", "4/5/15", "4/1/15", "4/2/15", "4/3/15", "4/4/15", "4/5/15", 
"4/1/15", "4/2/15", "4/3/15", "4/4/15", "4/5/15", "4/1/15", "4/2/15", 
"4/3/15", "4/4/15", "4/5/15", "4/6/15", "4/7/15", "4/8/15", "4/9/15", 
"4/10/15")), .Names = c("id", "event", "date_follow_up"), row.names = c(NA, 
25L), class = "data.frame")

【讨论】：

您进一步考虑了可能的情况。加一回给你。 :)
@jazzurro 谢谢，是的，我有点好奇我的第一个解决方案是否适用，但它没有。
@akrun 我相信 OP 有足够的东西来考虑他/她如何解决这个难题。
您好 Akrun，感谢您考虑多个健康/疾病事件。非常感激。现在看看“真实”数据如何响应:)
嗨@akrun，我已经在更大的数据集上进行了尝试，并且效果很好。但是，我需要做一些调整。到目前为止，该脚本会在每个人的每个“健康”事件之后寻找第一个“生病”事件。请协助我调整：对于每个人，按日期对条目进行排序，如果第一个条目是“健康的”，则找到随后的第一个生病事件并获得日期差异。它不应考虑随后发生的其他“健康”事件

【解决方案4】：

这是一种方法，但如果每个 ID 有多个“健康”事件，您可能需要对其进行调整以使其变得更加健壮：

        # turn dates into subtractable Date class
df1 %>% mutate(date_follow_up = as.Date(date_follow_up, '%m/%d/%y')) %>% 
    group_by(id) %>%
           # Add new column. If there is a "healthy" event,
    mutate(diff_time = ifelse(event == 'healthy', 
                              # subtract the date from the minimum "sick" date
                              min(date_follow_up[event == 'sick']) - date_follow_up, 
                              # else if it isn't a "healthy" event, return NA.
                              NA))

## Source: local data frame [6 x 4]
## 
##      id   event date_follow_up diff_time
##   <dbl>   <chr>         <date>     <dbl>
## 1     1 healthy     2015-04-01         3
## 2     1             2015-04-02        NA
## 3     1             2015-04-03        NA
## 4     1    sick     2015-04-04        NA
## 5     1    sick     2015-04-05        NA
## 6     1             2015-04-06        NA

【讨论】：

嗨，Alistare。感谢您的反馈。 Akrun 和 Jazzurro 为多个“健康事件”提供服务。不过，非常感谢:)

【解决方案5】：

这是使用dplyr 的另一种方法（尽管与之前的解决方案相比要长一些）

library(dplyr)
df1$date_follow_up <- as.Date(df1$date_follow_up, "%m/%d/%y")

df1 %>% group_by(id, event) %>%
        filter(event %in% c("healthy", "sick")) %>%
        slice(which.min(date_follow_up)) %>% group_by(id) %>%
        mutate(diff_time = lead(date_follow_up) - date_follow_up) %>% 
        right_join(df1, by = c("id", "event" , "date_follow_up"))

# Output 

Source: local data frame [6 x 4]
Groups: id [?]

      id   event   date_follow_up       diff_time
     <dbl>   <chr>         <date>  <S3: difftime>
1     1   healthy     2015-04-01         3 days
2     1               2015-04-02        NA days
3     1               2015-04-03        NA days
4     1      sick     2015-04-04        NA days    
5     1      sick     2015-04-05        NA days
6     1               2015-04-06        NA days

【讨论】：

嗨 Sumedh，谢谢。我在我发布的原始数据集上对其进行了测试，效果很好。然后我在 Akrun 的数据集上进行了测试，该数据集类似于我拥有的“真实”数据（多个健康/生病事件），但失败并出现以下错误：警告消息：In right_join_impl(x, y, by$x, by$y ) ：加入字符向量和因子，强制转换成字符向量。仍然非常感谢..