Dplyr条件逻辑计数行数

Posted 2021-04-25

您好，我正在尝试计算我的数据集中出现的实例。这是一个非常大的数据集。

请参阅下面的示例：

     visitid   procedureid  collectiondatetime source status
     100       100.644      2016-12-03 17:20:00      N   COMP
     100       100.644      2017-09-21 12:00:00     RS   COMP
     100       100.644      2017-08-25 15:48:00      N   COMP
     100       100.644      2017-09-01 12:00:00     RS   COMP
     100       100.644      2017-08-23 10:31:00      N    CAN
     200       100.644      2017-09-01 14:00:00      N   COMP

我想确定在访问期间是否取消了一个程序（状态= CAN），如果同一来源的相同程序在以后重复并完成（状态= COMP）。 我想总结一下这种情况发生的次数，以确定这些取消的事件是否最终得到纠正。

我已经离开R一段时间了，似乎无法解决这个问题。

答案

更新的答案

也许这会更好。我创建了一个具有以下情况的新数据集：

1. CAN / COMP对之前的多个CAN（visitid = 100）
2. CAN / COMP对之前的多个COMP（visitid = 200）
3. 没有CAN的COMP（visitid = 300）
4. 没有COMP的CAN（visitid = 400）

我假设无论CAN / COMP对之前的CAN数量如何，我们只会认为它“已经纠正”一次。因此，在此数据集中，我们预计会有2次更正。

## read in data
text <- "visitid procedureid  collectiondatetime source status
100     100.644 2016-06-01 17:20:00      N    CAN
100     100.644 2016-12-03 17:20:00      N    CAN
100     100.644 2017-08-23 10:31:00      N    CAN
100     100.644 2017-08-25 15:48:00      N   COMP
200     100.644 2017-09-01 12:00:00     RS   COMP
200     100.644 2017-09-21 12:00:00     RS   COMP
200     100.644 2017-09-01 14:00:00     RS   COMP
200     100.644 2017-10-01 14:00:00     RS    CAN
200     100.644 2017-11-01 14:00:00     RS   COMP
300     100.644 2017-11-02 14:00:00     RS   COMP
400     100.644 2017-12-01 14:00:00     RS   CAN"
file <- textConnection(text, encoding = "UTF-8")
coln <- readLines(file, n = 1)
coln <- strsplit(coln, " ")[[1]]
coln <- coln[coln != ""]
on.exit(close(file))
df <- read.fwf(file = file, 
               widths = c(3, 12, 20, 7, 7),
               strip.white = TRUE,
               stringsAsFactors = FALSE)
colnames(df) <- coln
rm(coln, file, text)

然后我们可以将每个CAN与下一个状态进行匹配。如果下一个状态（按日期/时间）是COMP，则认为它是“已更正”。

library(tidyr)
library(dplyr)
test <- df %>%
        arrange(visitid, procedureid, source, collectiondatetime) %>%
        group_by(visitid, procedureid, source) %>%
        mutate(corrected = ifelse(status == "COMP", NA, 
                                 ifelse(lead(status) == "COMP", TRUE, NA))) %>%
        ungroup() %>%
        summarise(n = sum(corrected, na.rm = TRUE))
test

---

原始答案

不确定这是否正是你想要的，但这是一个选项。您可以为每次访问，过程和来源创建一对CAN / COMP。然后你可以通过proceduredatetime传播status，这样你就可以检查程序在取消后完成的对。

library(dplyr)
library(tidyr)
test <- df %>%
    mutate(collectiondatetime = as.POSIXct(collectiondatetime)) %>%
    arrange(visitid, procedureid, source, collectiondatetime) %>%
    group_by(visitid, procedureid, source, status) %>%
    mutate(pair = row_number()) %>%
    spread(status, collectiondatetime) %>%
    ungroup() %>%
    mutate(corrected = CAN < COMP)
as.data.frame(test)

# output
  visitid procedureid source pair                 CAN                COMP corrected
1     100     100.644      N    1 2017-08-23 10:31:00 2017-08-25 15:48:00      TRUE
2     100     100.644     RS    1                <NA> 2017-09-01 12:00:00        NA
3     100     100.644     RS    2                <NA> 2017-09-21 12:00:00        NA
4     200     100.644      N    1                <NA> 2017-09-01 14:00:00        NA

然后，您可以获取corrected的总和，以获取取消后执行该程序的次数：

sum(test$corrected, na.rm = TRUE)

注意：这假设对于给定的访问，过程和源，从来没有COMP过程，后面跟着CAN，然后是COMP。如果确实发生了这种情况，您可以先删除每个访问/过程/来源的CAN过程之前执行的COMP过程。