如何在R中组合相同患者ID＃的行条目，同时保留其他列和NA值？

Question

我需要为这些多个ID组合一些列，并且可以使用第一个ID列表中的值来存储其他ID。例如，在这里我只想结合“消费”专栏和心脏病发作专栏来说明他们是否曾经心脏病发作。然后，我想要删除重复的ID＃s，并保留其他列的第一个列表中的值：

df <- read.table(text = 
              "ID  Age   Gender  heartattack    spending 
               1 24 f 0 140
               2 24 m na 123
               2 24 m 1 58
               2 24 m 0 na
               3 85 f 1 170
               4 45 m na 204", header=TRUE)

我需要的：

df2 <- read.table(text = 
            "ID  Age   Gender  ever_heartattack all_spending 
             1 24 f 0 140
             2 24 m 1 181
             3 85 f 1 170
             4 45 m na 204", header=TRUE)

我用transmute（）和sum（）尝试了group_by，如下所示：

df$heartattack = as.numeric(as.character(df$heartattack))
df$spending  = as.numeric(as.character(df$spending))

library(dplyr)
df = df %>% group_by(ID) %>% transmute(ever_heartattack = sum(heartattack, na.rm = T), all_spending = sum(spending, na.rm=T))

但这会删除所有其他列！此外，它将NA值转换为零...例如，我仍然希望“NA”为患者ID＃4的值，我不想更改数据，说他们从未心脏病发作！

> print(dfa) #This doesn't at all match df2 :(
  ID ever_heartattack all_spending
1  1                0          140
2  2                1          181
3  2                1          181
4  2                1          181
5  3                1          170
6  4                0          204

Answer 1

你能这样做吗？

aggregate(
    spending ~ ID + Age + Gender, 
    data = transform(df, spending = as.numeric(as.character(spending))),
    FUN = sum)
#  ID Age Gender spending
#1  1  24      f      140
#2  3  85      f      170
#3  2  24      m      181
#4  4  45      m      204

一些评论：

1. 问题是，在汇总时，您没有明确规定如何处理不同列中的数据（如本例中的heartattack）。例如，对于ID = 2，为什么你保留heartattack = 1而不是heartattack = na或heartattack = 0？
2. 你的"na"s实际上不是真正的NAs。这导致spending是factor列而不是numeric列向量。

---

要完全重现您的预期输出，我们可以做到

df %>%
    mutate(
        heartattack = as.numeric(as.character(heartattack)),
        spending = as.numeric(as.character(spending))) %>%
    group_by(ID, Age, Gender) %>%
    summarise(
        heartattack = ifelse(
            any(heartattack %in% c(0, 1)),
            max(heartattack, na.rm = T),
            NA),
        spending = sum(spending, na.rm = T))
## A tibble: 4 x 5
## Groups:   ID, Age [?]
#     ID   Age Gender heartattack spending
#  <int> <int> <fct>        <dbl>    <dbl>
#1     1    24 f                0      140
#2     2    24 m                1      181
#3     3    85 f                1      170
#4     4    45 m               NA      204

由于规则不明确heartattack值得保留，这感觉有点“hacky”。在这种情况下我们

• 如果heartattack包含0或1，则保持heartattack的最大值。
• 如果NA不包含0或1，则返回heartattack。