R - 总结相对学期序列的类(class)注册

Question

应用问题

我想抽象出代码，这些代码总结了一组学生的 n 门类(class)和 n 学期的类(class)学习模式和成功率。

例子

对于以下一组学生，有多少人在学习了“A”类(class)后进入了“B”类(class)，其中有多少学生成功了:

data <- data.frame(student = c(1, 1, 1, 2, 2, 2, 3, 4, 4, 5, 5, 5),
                   term    = c(2, 3, 3, 1, 2, 3, 2, 1, 3, 1, 2, 4),
                   course  = c('A', 'B', 'C', 'A', 'B', 'C', 'A', 'B', 'C', 'A', 'A', 'C'),
                   success = c(1, 1, 1, 1, 1, 1, 0, 1, 0, 0, 1, 1),
                   stringsAsFactors = FALSE)

我们可以用下面的代码回答这个问题:

library(dplyr) 

# Get each student's first, second, third, ... term.
    data <- data %>%
      group_by(student) %>%
      mutate(term_dense = dense_rank(term))%>%
      ungroup()

# Identify those who took course A
    courseA <- data %>%
      filter(course == "A")%>%
      select(student, courseA_dense = term_dense)

# Get records of students who took course A, and their subsequent courses
    data <- data %>%
      left_join(courseA, by = "student")%>%
      filter(term_dense >= courseA_dense) # >= for courses they took in same term as course "A"

# Summarise for each term_dense
    data %>%
      group_by(term_dense) %>%
      summarise(attempted_course_A = sum(course == "A"),
                completed_course_A = sum(course == "A" & success == 1),
                attempted_course_B = sum(course == "B"),
                completed_course_B = sum(course == "B" & success == 1))

产生:

# A tibble: 3 x 5
  term_dense attempted_course_A completed_course_A attempted_course_B completed_course_B
       <int>              <int>              <int>              <int>              <int>
1          1                  4                  2                  0                  0
2          2                  2                  2                  2                  2
3          3                  0                  0                  0                  0

我们可以看到尝试过类(class) A 的学生，两个尝试过类(class) B 的学生都成功了。

现在，我可以通过在 summarise 中添加行来计算参加类(class)“A”后参加类(class)“C”的人数。声明(即 completed_course_C = sum(course == "C" & success == 1) )，但如果我有很多类(class)，它似乎不是最有效的选择。

此外，如果我想在类(class)“Y”之后总结类(class)“X”的顺序，对于任何“X”和“Y”，它会创建更多 summarise 的排列。陈述。我如何看待那些在“Z”之后拿“X”在“Y”之后的人。

所以， 我如何总结可变数量的类(class)在可变数量的期限内的类(class)进度和成功率？

期望的输出

我想这就是我的一些困难所在。我不知道结果是什么 data.frame需要像这样的结构。

不过，我确实知道我想轻松回答以下一般性问题:

“X% 的学生在“A”类(class)中取得成功，随后又参加了“B”类(class)，成功率为 Y%”

抽象问题

我一直在尝试将一般问题(队列跟踪/排序？)应用于其他领域，以便在 google 和 Stack Overflow 中获得更好的关键词/搜索结果。一种似乎很有希望的方法是使用网络分析。

具体来说， this post, Network Analysis with R ，有助于确定潜在的解决方案。我跟着这篇文章，改用我的数据，并且能够得到我大约一半的信息。使用这种方法，我只能获得一系列尝试或一系列成功率——不能同时获得两者。但我才刚刚开始学习网络分析。

实际上，我已经能够使用 plotly 's sankey diagram 手动可视化摘要。 ，它使用类似的网络/链接框架。但我仍然无法以编程方式计算该信息。

其他尝试

鉴于我想基本上将摘要函数“映射”到我的数据，我的许多尝试都使用了 purrr带有嵌套列表列的包。
purrr尝试

使用原 data从上面，我试图按照他们的排名条款嵌套一个学生的类(class)列表。

# library(dplyr) # Loaded in above example
library(tidyr)
library(purrr)    

data <- data %>%
      group_by(student) %>%
      mutate(term_dense = dense_rank(term)) %>%
      ungroup()%>%
      nest(term, course, success, .key = "schedule")

然后我尝试创建一个函数，它将源类(class)的摘要返回到目标类(class)，最终目标是 map将此函数添加到包含源和目标的所有唯一排列的列表:

attempt_summary <- function(df, source, target){

  temp_df <- df %>%
                filter(map_lgl(schedule, ~any(.x$course == source)))%>%
                select(student, source_term_dense = term_dense)

  df <- df %>%
        left_join(temp_df, by = "student")%>%
        filter(term_dense >= source_term_dense)

  df %>%
    group_by(term_dense) %>%
    summarise(completed_source = sum(map_int(schedule, ~any(.x$course == source & .x$success == 1))),
              attempted_target = sum(map_int(schedule, ~any(.x$course == target))),
              completed_target = sum(map_int(schedule, ~any(.x$course == target & .x$success == 1))))

}

该功能适用​​于一个示例，

attempt_summary(data, "A", "B")

# A tibble: 3 x 4
  term_dense completed_source attempted_target completed_target
       <int>            <int>            <int>            <int>
1          1                2                0                0
2          2                2                2                2
3          3                0                0                0

但我不知道如何将它映射到其他所有内容(我什至不知道如何构建我的目标和源列表)但这是我的尝试:

# DO NOT RUN - DOESN'T WORK
# map(data, attempt_summary, source = src_list, target = trgt_list)

堆栈溢出帖子

除了许多其他关于 purrr ，我在寻找解决方案时引用了这些帖子，但都不是我想要的。

Tracking cohort over time in R

Sequence Analysis of Consumer Baskets

session 信息

这是我的 sessionInfo() 的输出称呼:

> sessionInfo()
R version 3.5.3 (2019-03-11)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 10 x64 (build 17763)

Matrix products: default

locale:
[1] LC_COLLATE=English_United States.1252  LC_CTYPE=English_United States.1252   
[3] LC_MONETARY=English_United States.1252 LC_NUMERIC=C                          
[5] LC_TIME=English_United States.1252    

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] purrr_0.3.2   tidyr_0.8.3   dplyr_0.8.0.1

loaded via a namespace (and not attached):
 [1] Rcpp_1.0.1       fansi_0.4.0      utf8_1.1.4       crayon_1.3.4     assertthat_0.2.1 R6_2.4.0        
 [7] magrittr_1.5     pillar_1.3.1     cli_1.1.0        rlang_0.3.4      rstudioapi_0.10  tools_3.5.3     
[13] glue_1.3.1       compiler_3.5.3   pkgconfig_2.0.2  tidyselect_0.2.5 tibble_2.1.1    

Answer 1

这是你中间问题的一部分，关于“X% 的学生在“A”类(class)中取得成功，随后参加了“B”类(class)并且成功率为 Y%”。

这会发现每门类(class) A 成功和每门类(class) A 不成功的 Y%。

library(tidyverse)
data2 <- data %>%
  left_join(data, by = c("student")) %>%   # add future course results to each result that has any
  filter(term.y > term.x) %>%  # includes all future courses; could limit to just next one?
  count(course.x, success.x, course.y, success.y) %>%
  spread(success.y, n, fill = 0) %>%
  mutate(success_rate = `1`/ (`0` + `1`)) %>%
  select(course.x:course.y, success_rate) %>%
  spread(course.y, success_rate)

结果:每个“事件 1”为一行，每列中 future 类 Y 的成功率。这表明参加 A 的人通过了所有后续类(class)，无论他们在 A 中的表现如何。参加 B 的人在 C 上的通过率为 50-50。

> data2
# A tibble: 3 x 5
  course.x success.x     A     B     C
  <chr>        <dbl> <dbl> <dbl> <dbl>
1 A                0     1    NA   1  
2 A                1    NA     1   1  
3 B                1    NA    NA   0.5