操作变量以在 R 中生成新数据集

Question

我是一个相对较新的 R 用户。我非常感谢您对我的数据集的任何帮助。

我有一个包含 2400 万行的数据集。数据集中有 3 个变量：患者姓名、药房名称和就诊时从药房取药的数量。

有些患者不止一次出现在数据集中（即他们在不同时间点从不同药房取药）。

数据框如下所示：

df <- data.frame(name = c("Tom", "Rob", "Tom", "Tom",  "Amy"), 
                 pharmacy = c("A", "B", "B", "B", "C"), 
                 meds = c(3, 2, 5, 8, 2))

我想根据这些数据生成一个新数据集，其中每个患者都有一个药房。该药房必须是患者服用最多药物的药房。

例如：对于汤姆来说，他最常去的药房是药房 B，因为他从那里买了 13 种药物（5+8 种药物）。我要生成的数据集：

data.frame(name = c("Tom", "Rob",  "Amy"), 
           pharmacy = c("B", "B", "C"), 
           meds = c(13, 2, 2))

有人可以帮我写一个代码来做到这一点吗？ 我尝试了 R 中的各种功能，例如dplyr、tidyr、aggregate()，但均未成功。任何帮助将不胜感激。

非常感谢

亚历克斯

Answer 1

您的问题不可重现。但这里有一个解决方案：

# create reproducible example of data 
dataset1 <- data.frame( 
name = c("Tom", "Rob", "Tom", "Tom", "Amy"), 
pharmacy = c("pharmacy_A", "pharmacy_B", "pharmacy_B", "pharmacy_B", "pharmacy_C"),  
meds_count = c(3, 2, 5, 8, 2))

library(dplyr) #load dplyr

dataset2 <- dataset1 %>% group_by(name, pharmacy) %>% # group by your grouping variables
                   summarise(meds_count = sum(meds_count)) %>% # sum no. of meds by your grouping variables
                   top_n(1, meds_count) %>% # filter for only the top 1 count
                   ungroup()

结果数据框：

> dataset2
# A tibble: 3 x 3
  name  pharmacy   meds_count
  <fct> <fct>           <dbl>
1 Amy   pharmacy_C       2.00
2 Rob   pharmacy_B       2.00
3 Tom   pharmacy_B      13.0 

Answer 2

如果我理解正确，我想你正在寻找这样的东西。

require(tidyverse)
#Sample data. I copied yours. 
df <- data.frame(name = c("Tom", "Rob", "Tom", "Tom",  "Amy"), 
                 pharmacy = c("A", "B", "B", "B", "C"), 
                 meds = c(3, 2, 5, 8, 2))

编辑。我更改了 group_by()、summarise() 并添加了过滤器。

df %>% 
  group_by(name, pharmacy) %>%
  summarise(SumMeds = sum(meds, na.rm = TRUE)) %>% 
  filter(SumMeds == max(SumMeds))

结果：

  name  pharmacy SumMeds
  <fct> <fct>      <dbl>
1 Amy   C             2.
2 Rob   B             2.
3 Tom   B            13.

Answer 3

生成数据集：

patient = c("Tom","Rob","Tom","Tom","Amy")
pharmacy = c("A","B","B","B","C")
meds = c(3,2,5,8,2)
df = data.frame(patient,pharmacy,meds)

df 是你的数据框

library(dplyr)

df = df %>% group_by(patient,pharmacy) %>% 
summarize(meds =sum(meds)) %>% 
group_by(patient) %>% 
filter(meds == max(meds))

• 按照患者和药房分组 df
• 通过服用药物的总和计算每个患者从不同药店购买的药物总数。
• 然后按患者分组
• 最终筛选出最大值。

打印数据框

print(df)

Answer 4

您可以在基础 R 中使用 aggregate 两次，然后是 merge。
在我看来，必须使用两次aggregate 有点复杂。也许dplyr 解决方案运行得更快，尤其是对于包含 2400 万行的数据集。

agg <- aggregate(meds ~ name + pharmacy, df, FUN = function(x) sum(x))
agg2 <- aggregate(meds ~ name, agg, function(x) x[which.max(x)])
merge(agg, agg2)[c(1, 3, 2)]
#  name pharmacy meds
#1  Amy        C    2
#2  Rob        B    2
#3  Tom        B   13

数据。
这是编辑后问题中的数据集。

df <- data.frame(name = c("Tom", "Rob", "Tom", "Tom",  "Amy"), 
                 pharmacy = c("A", "B", "B", "B", "C"), 
                 meds = c(3, 2, 5, 8, 2), stringsAsFactors = FALSE)

Answer 5

假设以下数据集：

df <- tribble(
  ~patient, ~pharmacy, ~medication,  
  "Tom", "Pharmacy A", "3 meds",
  "Rob", "Pharmacy B", "2 meds",
  "Tom", "Pharmacy B", "5 meds",
  "Tom", "Pharmacy B", "8 meds",
  "Amy", "Pharmacy C", "2 meds"
)

一个 tidyverse 友好的选项可能是：

df %>% 
  mutate(med_n = as.numeric(str_extract(medication, "[0-9]"))) %>%  # 1
  group_by(patient, pharmacy) %>%  # 2
  mutate(med_sum = sum(med_n)) %>%  # 3
  group_by(patient) %>%  # 4
  filter(med_sum == max(med_sum)) %>%  # 5
  select(patient, pharmacy, med_sum) %>%  # 6
  distinct() # 7

1. 创建一个数字变量，因为您不能添加字符串
2. 在所有患者/药房夫妇中
3. 查找药物总数
4. 然后在所有患者中
5. 只保留患者/药品总数最高的药房
6. 丢弃无用的变量
7. 丢弃重复的行（每个患者/药房夫妇多行）