R 用于重复行的函数

我有一个如下所示的数据帧：

> df
     pat_id disease
[1,] "pat1" "dis1" 
[2,] "pat1" "dis1" 
[3,] "pat2" "dis0" 
[4,] "pat2" "dis5" 
[5,] "pat3" "dis2" 
[6,] "pat3" "dis2" 

如何编写一个函数来获取第三个变量，该变量指示同一pat_id的疾病变量是否相同，如下所示

> df
     pat_id disease var3
[1,] "pat1" "dis1"  "1" 
[2,] "pat1" "dis1"  "1" 
[3,] "pat2" "dis0"  "0" 
[4,] "pat2" "dis5"  "0" 
[5,] "pat3" "dis2"  "1" 
[6,] "pat3" "dis2"  "1" 

尝试对分组使用

ave（）

，并将

any（duplicated（））

的结果用

包装为.integer（）

。然后使用

cbind（）

进行绑定。尽管我可能会建议您在这里使用数据帧而不是矩阵

cbind(
    df, 
    var3 = ave(df[,2], df[,1], FUN = function(x) as.integer(any(duplicated(x)))
)
#      pat_id disease var3
# [1,] "pat1" "dis1"  "1" 
# [2,] "pat1" "dis1"  "1" 
# [3,] "pat2" "dis0"  "0" 
# [4,] "pat2" "dis5"  "0" 
# [5,] "pat3" "dis2"  "1" 
# [6,] "pat3" "dis2"  "1" 

对于较大的数据，我建议转换为数据表。语法实际上也有点好，而且可能会更快

library(data.table)
dt <- as.data.table(df)
dt[, var3 := if(any(duplicated(disease))) 1 else 0, by = pat_id]

---

其中列类更合适（char、char、int）。或者您可以使用

作为.integer（any（duplicated（disease））

而不是

if

/

else

稍微冗长，但它提供了一个更容易测试的布尔第三个变量。它也不关心数据类型

> df <- data.frame(pat_id=c("pat1","pat1", "pat2", "pat2", "pat3", "pat3"), 
+                  disease=c("dis1","dis1","dis0","dis5","dis2","dis2"), 
+                  stringsAsFactors = F)
> counts<-apply(table(df), 1, function(x) sum(x!=0))
> df2<-data.frame(pat_id=names(counts), all_the_same=(counts==1))
> df3<-merge(df,df2)
> df3
  pat_id disease all_the_same
1   pat1    dis1         TRUE
2   pat1    dis1         TRUE
3   pat2    dis0        FALSE
4   pat2    dis5        FALSE
5   pat3    dis2         TRUE
6   pat3    dis2         TRUE
> sapply(df3, class)
      pat_id      disease all_the_same 
 "character"  "character"    "logical" 

---

使用dplyr的一个选项

library(dplyr)
as.data.frame(df) %>%
     group_by(pat_id) %>%
     mutate(var3 = as.integer(n_distinct(disease)==1))
#  pat_id disease  var3
#   (chr)   (chr) (int)
#1   pat1    dis1     1
#2   pat1    dis1     1
#3   pat2    dis0     0
#4   pat2    dis5     0
#5   pat3    dis2     1
#6   pat3    dis2     1

---

as.integer（duplicated（dat）| duplicated（dat，fromLast=TRUE））

可能有效，但您没有数据帧。这是一个矩阵。另外，

as.integer（ave（df[，“disease”]，df[，“pat_id”]，FUN=anyDuplicated）>0）

作为主题的变体，我还有三行pat_id，如何修改语法？如何修改它以显示具有相同pat_id的3行或更多行的疾病是否相同？@trillian-这将适用于任何数量的相同pat_id

> unique(df3$pat_id[df3$all_the_same])
[1] "pat1" "pat3"

library(dplyr)
as.data.frame(df) %>%
     group_by(pat_id) %>%
     mutate(var3 = as.integer(n_distinct(disease)==1))
#  pat_id disease  var3
#   (chr)   (chr) (int)
#1   pat1    dis1     1
#2   pat1    dis1     1
#3   pat2    dis0     0
#4   pat2    dis5     0
#5   pat3    dis2     1
#6   pat3    dis2     1