在R中将分组的行数据转换为列答案

【问题标题】：in R converting grouped row data into columns在R中将分组的行数据转换为列
【发布时间】：2013-06-06 00:23:02
【问题描述】：

我有以下格式的数据 -

ID EVID ADMIT   DC      DRG  CLIN_C PRIN_DX  
1  AA   1/1/13  2/1/13  ABC  1A234  Y  
1  AA   1/1/13  2/1/13  ABC  1B345  N  
1  AA   1/1/13  2/1/13  ABC  1C234  N  
1  AA   1/1/13  2/1/13  ABC  1234C  N  

1  BB   3/1/13  2/15/13 EEE  C12C3  Y  
1  BB   3/1/13  2/15/13 EEE  1B345  N  
1  BB   3/1/13  2/15/13 EEE  1C234  N  
1  BB   3/1/13  2/15/13 EEE  987D   N  

2  CC   3/1/13  2/15/13 EEE  C12C3  Y  
2  CC   3/1/13  2/15/13 EEE  546X   N  
2  CC   3/1/13  2/15/13 EEE  1C234  N  
2  CC   3/1/13  2/15/13 EEE  1234C  N

我想要以下格式的数据：

ID EVID ADMIT   DC      DRG  PRIN_DX 1B345  1C234 1234C 987D 546X  
1  AA   1/1/13  2/1/13  ABC  1A234     1      1     1    0    0  
1  BB   3/1/13  2/15/13 EEE  C12C3     1      1     0    1    0  
2  CC   3/1/13  2/15/13 EEE  C12C3     0      1     0    0    1

如果可能的话，我想用 R 来做这件事。我尝试过 reshape/reshape2，但找不到处理分组行的明显方法 - 将分组行拆分为列，并聚合剩余的行。

数据是数百次住院的记录 - 如此之大是合理的。

【问题讨论】：

不清楚（对我来说）什么是聚合的，什么不是......它看起来也像 PRIN_DX 不代表与宽格式相同类型的长格式数据格式。我的第一个想法是你可能想要这样的东西：library(reshape2); dcast(ID + EVID + ADMIT + DC + DRG ~ CLIN_C, data = x)
ID、EVID、ADMIT、DC、DRG 列都应该聚合 - 对于给定的录取，这些数据是相同的。 CLINC_C 是临床代码，用于识别入院期间分配的所有诊断 - 可以分配 1 到 20。 PRIN_DX 识别入院期间的主要诊断。我想将 CLIN_C 转换为每个承认事件的单独列，但如果可能，请确定主要诊断。只对列的聚合和行感到满意

标签： r reshape2

【解决方案1】：

假设DF 是输入数据框，试试这个：

library(reshape2)

FUN <- function(i) with(DF[i, ], CLIN_C[PRIN_DX == "Y"])
DF$PRIN_DX <- ave(1:nrow(DF), DF$ID, DF$EVID, FUN = FUN)

dcast(DF, ... ~ CLIN_C, fun = length, value.var = 1)

给出：

  ID EVID  ADMIT      DC DRG PRIN_DX 1234C 1A234 1B345 1C234 546X 987D C12C3
1  1   AA 1/1/13  2/1/13 ABC   1A234     1     1     1     1    0    0     0
2  1   BB 3/1/13 2/15/13 EEE   C12C3     0     0     1     1    0    1     1
3  2   CC 3/1/13 2/15/13 EEE   C12C3     1     0     0     1    1    0     1

更新：简化

【讨论】：

【解决方案2】：

还有另一种使用 plyr 和 model.matrix 将因子强制为虚拟变量的方法。我简化了数据并假设总有 PRIN_DX。

df <- data.frame(ID=c(1,1,2,2,3,3), EVID=c(0,0,1,1,3,3), CLIN_C = c('A1','B1','C1','D1','C1','D2'), PRIN_DX=c('Y','N','Y','N','Y','N'))
df$CLIN_C <- factor(df$CLIN_C)

agg_fun <- function(x) {
  temp1 <- x$CLIN[which(x$PRIN_DX=='Y')[1]]
  temp2 <- apply(model.matrix(~x$CLIN_C-1), 2, sum)
  out <- data.frame(temp1, t(temp2))
  names(out) <- c('PRIN_DX', levels(x$CLIN_C))  
  return(out)
}

library(plyr)
ddply(df, .(ID, EVID), agg_fun)

【讨论】：

【解决方案3】：

我注意到在原始问题中，主要诊断 (PRIN_DX) 未作为列包含在所需的输出数据集中。所以这里有一个使用 plyr 和 reshape2 来获得结果的选项。

require(reshape2)
require(plyr)

# Make a variable specifically for the principle diagnosis
df2 = ddply(df, .(ID, EVID, ADMIT, DC, DRG), transform, PRIN_DX2 = CLIN_C[PRIN_DX == "Y"] )
# Pull out the non-principle diagnoses
df2$CLIN_C = ifelse(df2$PRIN_DX == "N", as.character(df2$CLIN_C), NA)

# Make the order of CLIN_C match the order of appearance
df2$CLIN_C = factor(df2$CLIN_C, levels = unique(df2$CLIN_C) )

dcast(na.omit(df2), ID + EVID + ADMIT + DC + DRG + PRIN_DX2 ~ CLIN_C, fun = length)

这给出了：

  ID EVID  ADMIT      DC DRG PRIN_DX2 1B345 1C234 1234C 987D 546X
1  1   AA 1/1/13  2/1/13 ABC    1A234     1     1     1    0    0
2  1   BB 3/1/13 2/15/13 EEE    C12C3     1     1     0    1    0
3  2   CC 3/1/13 2/15/13 EEE    C12C3     0     1     1    0    1

【讨论】：