R - 基于配对数据条件的子集

Question

我正在尝试根据条件对配对数据进行子集化。
pair 包括在 2 天内观察到的两个个体。

我的样本的主要数据是： 'hldid', 'cid', 'pid', 'diary', 'sex', 'day', 'main1'。

'hldid'指配对数据标识符，

'cid' 是配对的数据日标识符

'pid' 个人标识符 'diary'日记（每人必须填写2本日记） 'sex' 'day' 'main1' 指性别、日期和观察到的活动。

我想做的是根据 2 个条件对数据进行子集化：

1. 数据必须配对，这意味着hldid 必须属于 2 个人。 每一对都应该由一男一女组成。
2. 个人必须填写 2 个diary。所以hldid的4日记

我发现这样做的唯一方法是执行以下操作：

按性别区分

M = filter(dtaSimple, sex == 1)
W = filter(dtaSimple, sex == 2)

按配对日标识符合并

dtaSimple_c = merge(M, W, by = 'cid', suffixes = c('_m', '_w'))

那我就来了

     cid hldid_m  pid_m diary_m sex_m day_m main1_m hldid_w  pid_w diary_w sex_w day_w main1_w
 1 1250_1    1250 1250_2       1     1     1       0    1250 1250_1       1     2     1       0
 2 1250_2    1250 1250_2       2     1     3       0    1250 1250_1       2     2     3       0
 3 1294_1    1294 1294_2       1     1     6       0    1294 1294_1       1     2     6       0
 4 1294_2    1294 1294_2       2     1     1       0    1294 1294_1       2     2     1       0

我认为这并不令人满意。 每行指的是每个hldid 的第一条日记，每列指的是pair 的男人或女人。

我想保留 1 行 1 个人 1 天的原始数据结构。

   hldid    cid    pid diary sex day main1
1   1250 1250_1 1250_1     1   2   1     0
2   1250 1250_2 1250_1     2   2   3     0
3   1250 1250_1 1250_2     1   1   1     0
4   1250 1250_2 1250_2     2   1   3     0
 .....

数据：

dtaSimple = structure(
   list(
       hldid = c(1250, 1250, 1250, 1250, 1294, 1294, 1294, 1294, 1352, 1352), 
       cid = c("1250_1", "1250_2", "1250_1", "1250_2", "1294_1",  "1294_2", "1294_1", "1294_2", "1352_1", "1352_2"), 
       pid = c("1250_1", "1250_1", "1250_2", "1250_2", "1294_1", "1294_1", "1294_2", "1294_2", "1352_1", "1352_1"), 
       diary = c(1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L), 
       sex = c(2L, 2L, 1L, 1L, 2L, 2L, 1L, 1L, 2L, 2L), 
       day = c(1L, 3L, 1L, 3L, 6L, 1L, 6L, 1L, 1L, 3L), 
       main1 = c(0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L)), 
   .Names = c("hldid", "cid", "pid", "diary", "sex", "day", "main1"), 
   row.names = c(NA, 10L), 
   class = "data.frame"
)

Answer 1

听起来您需要按分组变量进行过滤。据我了解，对于每个 hldid，您要确保 sex 有 2 个不同的值，总共有 4 个观察值。

您可以使用 dplyr 中的 filter 和 group_by：

library(dplyr)

dtaSimple %>% 
    group_by(hldid) %>%
    filter(n_distinct(sex) == 2, n() >= 4)

  hldid    cid    pid diary sex day main1
1  1250 1250_1 1250_1     1   2   1     0
2  1250 1250_2 1250_1     2   2   3     0
3  1250 1250_1 1250_2     1   1   1     0
4  1250 1250_2 1250_2     2   1   3     0
5  1294 1294_1 1294_1     1   2   6     0
6  1294 1294_2 1294_1     2   2   1     0
7  1294 1294_1 1294_2     1   1   6     0
8  1294 1294_2 1294_2     2   1   1     0

更改数据集，使hldid 没有 4 个观察值来进行更彻底的测试：

dtaSimple2 = dtaSimple[-4,]

dtaSimple2 %>% 
    group_by(hldid) %>%
    filter(n_distinct(sex) == 2, n() >= 4)

  hldid    cid    pid diary sex day main1
1  1294 1294_1 1294_1     1   2   6     0
2  1294 1294_2 1294_1     2   2   1     0
3  1294 1294_1 1294_2     1   1   6     0
4  1294 1294_2 1294_2     2   1   1     0

如果每个sex 必须有 2 个日记条目，并且一个性别可能有 1 个条目，而另一个性别可能有 3 个条目，则您需要稍微不同的策略。也许只是确保每个sex 对每个id 有两个以上的观察？

dtaSimple %>% 
    group_by(hldid) %>%
    filter(sum(sex == 1) >= 2, sum(sex == 2) >= 2)

Answer 2

在plyr 库中有一个函数ddply 有利于通过列值的组合进行快速分组和制表。考虑到您想要非常具体的分组计数，我喜欢ddply。这将两个ddply() 函数链接在一起，最终根据以下条件过滤掉个人： 1) 他们没有两个日记值

# calculate the number of diaries by pid (we are looking for exactly two):
diaryByPid <- ddply(dtaSimple,c("pid"),function(x){ length(unique(x$diary))})

# the valid pids have exactly two unique diary values
validPid <- diaryByPid$pid[which(diaryByPid[,2]==2)]

# now subset the original dtaSimple to retain only those matched above
dtaSub <- dtaSimple[which(dtaSimple$pid %in% validPid),]

我们根据 pid 排除了没有两个唯一日记值的记录。现在我们需要将它们与对应的cid 值配对，并确保代表两种性别：

# ddply to group by cid and count the number of unique values of $sex column
sexByCid <- ddply(dtaSub,c("cid"),function(x){ length(unique(x$sex))})

# retain the cids for which we have two unique sexes
validCid <- sexByCid$cid[which(sexByCid[,2]==2)]

# subset the previously subsetted dtaSub to remove records without gender matches.
dtaSub2 <- dtaSub[which(dtaSub$cid %in% validCid),]

因为我们只从原始结构中删除了行，所以它保持相同的格式：

head(dtaSub2)
  hldid    cid    pid diary sex day main1
1  1250 1250_1 1250_1     1   2   1     0
2  1250 1250_2 1250_1     2   2   3     0
3  1250 1250_1 1250_2     1   1   1     0
4  1250 1250_2 1250_2     2   1   3     0
5  1294 1294_1 1294_1     1   2   6     0
6  1294 1294_2 1294_1     2   2   1     0
7  1294 1294_1 1294_2     1   1   6     0
8  1294 1294_2 1294_2     2   1   1     0