根据一组变量之间相对最高分的变化对二分变量进行编码

Question

我想根据一组规则在数据框中编写一个新变量。我有一个带有主题变量、时间变量和变量 A、B 和 C 的数据框 df1，如下所示：

subject <- c(1,1,1,1,1,1,2,2,2,2,2,2)
time <- c(1,2,3,4,5,6,1,2,3,4,5,6)
A <- c(1,7,7,6,6,5,1,2,3,NA,NA,NA)
B <- c(2,1,1,1,1,1,6,5,4,NA,NA,NA)
C <-c(7,1,6,1,6,1,6,2,4,NA,NA,NA)

df1 <- data.frame(subject,time,A,B,C)

A、B 和 C 中的值范围从 1（最低）到 7（最高），也有一些 NA。现在我想编写一个新的二分变量newvar。每个主题的第一行应始终编码为 0。每当一行中得分最高的变量（A、B 或 C）更改为下一行中的一个或多个不同变量时，应编码为 1 .一个变量内的值是否从一行变化到下一行无关紧要，只要三个变量中的哪一个在一行内的得分与前一行相比有所变化。

df1 中的示例应该更清楚地说明这一点：

• 第 1 行编码为 0，因为它是主题 1 的第一行。C 具有 A、B、C三个变量中得分最高。

• 在第 2 行中，A 得分最高。因此，newvar = 1。

• 在第 3 行中，A 仍然得分最高，因此 newvar = 0。

• 在第 4 行，A 仍然得分最高 --> newvar = 0。

• 在第 5 行，现在 A 和 C 的得分最高，因此， 新变量 = 1。

• 在第 6 行中，只有 A 再次获得最高分，因此，newvar = 1。

• 第 7 行是主题 2 的第一行，因此 newvar 编码为 0。

• 在第 8 行中，newvar 应编码为 1，因为在前一行中，B 和C同样得分最高，现在只有B。

• 在第 9 行，newvar 应该再次编码为 1，因为现在 B 和 C 有 再次获得该行的最高分。

• 第 10 到 12 行应编码为 NA。

它应该是这样的：

newvar <-c(0,1,0,0,1,1,0,1,1,NA,NA,NA)
df2 <- data.frame(subject,time,A,B,C,newvar)

我将不胜感激任何关于如何解决此问题的意见！

Answer 1

这是使用tidyverse 的一种方法。首先，将您的数据转换为长格式。然后，对于每个 subject time 组合，收集等于该组合最大值的列名。这存储为highest_values。

然后，将组更改为subject。对于每个subject，检查time 是否是time 的最小值-如果是，则编码为0（如果您只想将第一行编码为0，而与时间值无关，则可以使用其他选项）。如果highest_values 没有任何列名，则编码为NA。如果highest_values与上一行有差异（变化），编码为1。否则，假定highest_values没有变化，编码为0。

library(tidyverse)

df1 %>%
  pivot_longer(cols = -c(subject, time)) %>%
  group_by(subject, time) %>%
  summarise(highest_values = toString(name[which(value == max(value))])) %>%
  group_by(subject) %>%
  mutate(newvar = case_when(
    time == min(time) ~ 0,
    highest_values == "" ~ NA_real_,
    highest_values != lag(highest_values) ~ 1,
    TRUE ~ 0
  )) %>%
  right_join(df1)

输出

   subject  time highest_values newvar     A     B     C
     <dbl> <dbl> <chr>           <dbl> <dbl> <dbl> <dbl>
 1       1     1 "C"                 0     1     2     7
 2       1     2 "A"                 1     7     1     1
 3       1     3 "A"                 0     7     1     6
 4       1     4 "A"                 0     6     1     1
 5       1     5 "A, C"              1     6     1     6
 6       1     6 "A"                 1     5     1     1
 7       2     1 "B, C"              0     1     6     6
 8       2     2 "B"                 1     2     5     2
 9       2     3 "B, C"              1     3     4     4
10       2     4 ""                 NA    NA    NA    NA
11       2     5 ""                 NA    NA    NA    NA
12       2     6 ""                 NA    NA    NA    NA

编辑（2/11/21）：根据下面的评论，有时有些行缺少数据。在这些情况下，newvar 应反映不包括这些行的最后或最近的“highest_values”。

为此，filter 会剔除在group_by 之前没有“highest_values”值的那些行。然后，最新的“highest_values”将是没有丢失的值。此外，您无需将newvar 设置为NA - 这将在right_join 自动发生。

这是修改后的代码：

df1 %>%
  pivot_longer(cols = -c(subject, time)) %>%
  group_by(subject, time) %>%
  summarise(highest_values = toString(name[which(value == max(value))])) %>%
  filter(highest_values != "") %>%
  group_by(subject) %>%
  mutate(newvar = case_when(
    time == min(time) ~ 0,
    highest_values != lag(highest_values) ~ 1,
    TRUE ~ 0
  )) %>%
  right_join(df1) %>%
  arrange(subject, time)

我添加了一行数据，用一个例子来演示。

输出

   subject  time highest_values newvar     A     B     C
     <dbl> <dbl> <chr>           <dbl> <dbl> <dbl> <dbl>
 1       1     1 C                   0     1     2     7
 2       1     2 A                   1     7     1     1
 3       1     3 A                   0     7     1     6
 4       1     4 A                   0     6     1     1
 5       1     5 A, C                1     6     1     6
 6       1     6 A                   1     5     1     1
 7       2     1 B, C                0     1     6     6
 8       2     2 B                   1     2     5     2
 9       2     3 B, C                1     3     4     4
10       2     4 NA                 NA    NA    NA    NA
11       2     5 NA                 NA    NA    NA    NA
12       2     6 B, C                0     2     3     3