使用 RLE 删除每行的连续重复项并检查 R 中的序列逻辑

Posted 2023-02-14

【中文标题】使用 RLE 删除每行的连续重复项并检查 R 中的序列逻辑

【英文标题】：Remove consecutive duplicates per row with RLE and check logic of sequence in R

【发布时间】：2022-01-13 14:42:06

【问题描述】：

对于具有患者路径（例如到达 -> 区域 A -> 病房）的数据集，我有一个两步数据清理问题。这是数据外观的示例：

df <- data.frame(Patient = c(1,2,3,4,5),
                 Area1 = c("Arrival1", "Arrival1", "Arrival2", "Arrival1", "Arrival2"),
                 Area2 = c("Area A", "Diagnostics", "Area A", "Area B", NA),
                 Area3 = c("Area B", "Diagnostics", "Area B", "Area A", NA),
                 Area4 = c("Ward", "Ward", "Area B", "Area C", NA),
                 Area5 = c(NA, NA, "Ward", "Arrival", NA)
)

第 1 步：删除连续列中的重复项 有些患者在连续列中有重复，例如对于患者 2（诊断 -> 诊断）和患者 3（区域 B -> 区域 B）。我需要这些是独特的途径。

我已经使用apply() 和rle() 解决了这个问题： df1 <- apply(df,1,rle)

但是，这给了我一个（大）列表，其中包含值和长度。如何将其传输回上述表格的数据框（即保留患者 ID 和值）？我尝试了各种版本的do.call、rbindlist() 和unlist()，但它们似乎都不适合我。

第 2 步：检查路径逻辑 假设我们现在有一个干净的数据集：

dfclean <- data.frame(Patient = c(1,2,3,4,5),
                 Area1 = c("Arrival1", "Arrival1", "Arrival2", "Arrival1", "Arrival2"),
                 Area2 = c("Area A", "Diagnostics", "Area A", "Area B", NA),
                 Area3 = c("Area B", "Ward", "Area B", "Area A", NA),
                 Area4 = c("Ward", NA, "Ward", "Area C", NA),
                 Area5 = c(NA, NA, NA, "Arrival", NA)
)

现在我需要检查路径的逻辑。为此，我有第二个数据集，其中列出了所有可能的路径，我需要根据数据集 2 检查数据集 1 中的每个路径是否“可能”。假设数据集 2 如下所示：

df2 <- data.frame(Patient = c(1,2,3,4,5),
                 Area1 = c("Arrival1", "Arrival1", "Arrival2", "Arrival1", "Arrival2"),
                 Area2 = c("Area A", "Diagnostics", "Area A", "Area B", NA),
                 Area3 = c("Area B", "Area A", "Area B", "Area A", NA),
                 Area4 = c("Ward", "Ward", "Ward", "Area C", NA),
                 Area5 = c(NA, NA, NA, NA, NA)
)

我想创建一个变量，为有效途径（例如患者 1）指示 TRUE，为无效途径（例如患者 4）指示 FALSE。我不知道该怎么做...

【问题讨论】：

可能路径的“第二个数据集”在哪里？

在上面。 “假设数据集 2 看起来像这样：”

你是说每个病人都有不同的可能途径？

【参考方案1】：

第 1 步：

df[,-1] <- data.frame(t(apply(df[,-1], 1, function(z) 
  r <- rle(z)
  c(r$values, rep(NA, length(z) - length(r$values)))
)))
df
#   Patient    Area1       Area2  Area3  Area4   Area5
# 1       1 Arrival1      Area A Area B   Ward    <NA>
# 2       2 Arrival1 Diagnostics   Ward   <NA>    <NA>
# 3       3 Arrival2      Area A Area B   Ward    <NA>
# 4       4 Arrival1      Area B Area A Area C Arrival
# 5       5 Arrival2        <NA>   <NA>   <NA>    <NA>

第 2 步：（待定，待定“可能的途径”）