r - 是否有更简洁的方法来子集和提取 R 数据集中最早的诊断和代码？

Question

我有一个数据集，我试图确定疾病的最早诊断，以及与该诊断相关的代码。这是我正在使用的文件的一个更短的版本。

不幸的是，第一个疾病代码并不总是最早的诊断，如ID 1005

df = data.frame(ID = c(1001, 1002, 1003, 1004, 1005),
                Disease_code_1 = c('I802', 'G200','I802',NA, 'H356'),
                Disease_code_2 = c('A071',NA,'G20',NA,'I802'),
                Disease_code_3 = c('H250', NA,NA,NA,NA),
                Date_of_diagnosis_1 = c('12/06/1997','13/06/1997','14/02/2003',NA,'18/03/2005'),
                Date_of_diagnosis_2 = c('12/06/1998',NA,'18/09/2001',NA,'12/07/1993'),
                Date_of_diagnosis_3 = c('17/09/2010',NA,NA,NA,NA))

    ID Disease_code_1 Disease_code_2 Disease_code_3 Date_of_diagnosis_1 Date_of_diagnosis_2 Date_of_diagnosis_3
1 1001           I802           A071           H250          12/06/1997          12/06/1998          17/09/2010
2 1002           G200           <NA>           <NA>          13/06/1997                <NA>                <NA>
3 1003           I802            G20           <NA>          14/02/2003          18/09/2001                <NA>
4 1004           <NA>           <NA>           <NA>                <NA>                <NA>                <NA>
5 1005           H356           I802           <NA>          18/03/2005          12/07/1993                <NA>

我尝试为每个代码和日期创建变量的多个子集，如下所示，行绑定(bind)，然后仅保留最早的诊断，但是，当考虑到我需要的所有其他协变量和变量时，它相当冗长包括。

Disease_1 <- as.data.frame((cbind(df$ID, df$Disease_code_1, df$Date_of_diagnosis_1)))
Disease_2 <- as.data.frame((cbind(df$ID, df$Disease_code_2, df$Date_of_diagnosis_2)))
Disease_3 <- as.data.frame((cbind(df$ID, df$Disease_code_3, df$Date_of_diagnosis_3)))

Disease_data <- rbind(Disease_1, Disease_2, Disease_3)
colnames(Disease_data) = c("id","Disease_code","Date_of_diagnosis")

#Edit Diseasedate to only include a participant once based on earliest diagnosis 
Disease_data <- Disease_data [order(Disease_data [,'id'],Disease_data [,'Date_of_diagnosis']),]
Disease_data <- Disease_data [!duplicated(Disease_data $id),]

这是一个简化版本，但我会对 Disease_ 数据帧进行超过 25 次迭代，每个数据帧大约有 100 个变量，虽然可以工作，但非常笨重，如果可能的话希望使其更简洁。

我知道编辑数据以仅包含最早的参与者已经非常简洁，但这是此方法的设置。有没有办法使用可能有效的 startswith 命令？我尝试过，但没有成功。

Answer 1

您的数据在这里很难处理，因为它的格式很宽 - convert it to long-form解决起来就会容易得多。 :

使用 tidyverse 中的 dplyr 包，我们获取除 ID 之外的所有列，并将它们转换为名称-值对，每个一个单独的行。由于示例变量名称具有模式 [TYPE OF VALUE]_[SEQUENTIAL NUMBER]，我们可以在 names_pattern 参数中使用正则表达式将值名称拆分为 name 列，其中包含测量类型(此处继续“Disease_code”或“Date_of_diagnosis”)和该序列号。

然后，我们将其扩大，以创建单个 Disease_code 和 Date_of_diagnosis 列，每个 ID 和数字组合各占 1 行。最后，我们将 Date_of_diagnosis 转换为日期格式(使用 lubridate::dmy 因为它是日/月/年格式)，以便正确排序，然后过滤掉行其中，Disease_code 为 NA，这意味着那里没有值:

library(tidyverse)

df2 <- df %>%
    pivot_longer(-ID,
                 names_pattern = "(.*)_([0-9]*$)",
                 names_to = c('name', 'num')) %>%
    pivot_wider() %>%
    mutate(Date_of_diagnosis = dmy(Date_of_diagnosis)) %>%
    filter(!is.na(Disease_code))

df2
# A tibble: 8 × 4
     ID num   Disease_code Date_of_diagnosis
  <dbl> <chr> <chr>        <date>           
1  1001 1     I802         1997-06-12       
2  1001 2     A071         1998-06-12       
3  1001 3     H250         2010-09-17       
4  1002 1     G200         1997-06-13       
5  1003 1     I802         2003-02-14       
6  1003 2     G20          2001-09-18       
7  1005 1     H356         2005-03-18       
8  1005 2     I802         1993-07-12       

现在数据格式正确，我们可以按 ID 分组并为每个数据选择最早的日期(最小值):

df2 %>%
    group_by(ID) %>%
    slice_min(Date_of_diagnosis)

     ID num   Disease_code Date_of_diagnosis
  <dbl> <chr> <chr>        <date>           
1  1001 1     I802         1997-06-12       
2  1002 1     G200         1997-06-13       
3  1003 2     G20          2001-09-18       
4  1005 2     I802         1993-07-12