有没有办法隔离数据集中的多个索引点并在 R 中隔离该索引点周围的时间窗口？

Question

我有一个数据集，其中包含接受 72 小时观察的患者。每 4 秒测量一次患者的氧气水平，但由于数据准确性问题，必须删除一些观察结果。因此，患者有不同数量的观察结果。

在观察患者的同时，他们接受了各种干预措施。我分析的目的是评估干预措施是否影响患者的氧气水平。因此，我正在对干预前、干预期间和干预后的氧气水平进行比较。

虽然实际分析并不太难，但我很难对数据进行子集化。例如，我只想要干预开始前 300 秒和干预后 300 秒的观察结果。我必须考虑一个事实，即一个人在时间窗的过程中可能有多次干预，并且有多个受试者。

我在下面提供了一些示例代码来生成数据集，但如果我遗漏任何内容，请告诉我。

id <- rep(c(1,2,3), each = 1000)
intervention <- c(rep(0,200), rep(1,10), rep(0,153), rep(0,5), rep(0,284), rep(0,20), rep(0,159), rep(0,23), rep(0,146),
                  rep(0,123), rep(1,23), rep(0,356), rep(1,8), rep(0,234), rep(1,23), rep(0,233),
                  rep(0,345), rep(1,12), rep(0,48), rep(1,15), rep(0,74), rep(1,4), rep(0,233), rep(1,82), rep(0,187))
final <- data.frame(id, intervention)
final <- final %>%
  group_by(id) %>%
  mutate(time = row_number() * 4) 

到目前为止，我已经尝试过这种方法，但我只能隔离干预前后 5 分钟的单个观察结果，而不是这些时间窗之间的所有观察结果（即干预开始前 5 分钟的单个观察结果和干预后 5 分钟的单次观察，但不是这三点之间的所有观察）

data <- final4 %>%
  filter(intervention == 1) %>%
  mutate(five_mins_after = time + 300, #5 mins after intervention
         five_mins_before = time - 300) %>% #5 mins before intervention %>%
  filter(id == "1")

data2 <- final4 %>%
  filter(intervention == 0,
        id == "1")

data_after <- data %>%
  dplyr::select(five_mins_after)

data_before <- data %>%
  dplyr::select(five_mins_before)

data3 <- merge(data2, data_after, by.x = "time", by.y = "five_mins_after")
data4 <- merge(data2, data_before, by.x = "time", by.y = "five_mins_before")

final <- final %>%
  dplyr::bind_rows(data3) %>%
  dplyr::bind_rows(data4)
  

如果您需要任何其他信息，请告诉我，感谢您的宝贵时间！

PS：如有遗漏，第一次在这里寻求帮助表示歉意

Answer 1

这就是答案。虽然很长，但它可以很好地收集干预开始前 300 秒和干预开始后 300 秒的时间。

如果您需要进一步的解释或者我有什么误解，请告诉我。

library(magrittr)
library(tidyverse)

### Sample code
id <- rep(c(1,2,3), each = 1000)
intervention <- c(rep(0,200), rep(1,10), rep(0,153), rep(0,5), rep(0,284), rep(0,20), rep(0,159), rep(0,23), rep(0,146),
                  rep(0,123), rep(1,23), rep(0,356), rep(1,8), rep(0,234), rep(1,23), rep(0,233),
                  rep(0,345), rep(1,12), rep(0,48), rep(1,15), rep(0,74), rep(1,4), rep(0,233), rep(1,82), rep(0,187))
final <- data.frame(id, intervention)
final <- final %>%
  group_by(id) %>%
  mutate(time = row_number() * 4) 

### Start of data processing to get wanted observations

# Order it by id and time
final %<>% arrange(id, time)

# Loop over the unique ids
obs_to_keep <- list()
for(i in unique(final$id)) {
  
  # Get starts of treatment
  time_zero_intervention <- final %>% 
    filter(id == i & intervention == 0) %>% 
    select(time)
  
  # Obtain all times after zero interventions, that could be intervention == 1
  time_plus_4 <- time_zero_intervention$time + 4
  
  # Where in the times after 0 intervention there is a 1 intervention
  starts_of_interventions <- final %>% 
    filter(id == i & time %in% time_plus_4) %>% 
    filter(intervention == 1)
  
  # Loop over each one of the times where intervention starts
  all_times <- list()
  for(n in 1:length(starts_of_interventions$time)) {
    # Gather 300 secs prior and post
    time_300_before <- starts_of_interventions$time[n] - 300
    time_300_after <- starts_of_interventions$time[n] + 300
    
    # Filter for observations in this interval
    all_times[[n]] <- final %>%
      filter(id == i) %>%
      filter(time >= time_300_before & time <= time_300_after)
  }
  if(length(all_times) == 1){
    obs_to_keep[[i]] <- as.data.frame(all_times)
  }
  else {
    obs_to_keep[[i]] <- do.call(rbind, all_times)
  }
}

# Make a data frame from the list
df <- do.call(rbind, obs_to_keep)

# Order it by id and time
df %<>% arrange(id, time)