R 使用嵌套数据跨行和列循环

我有以下数据结构：分组会议。各小组经常举行不同的会议，每次会议的小组成员人数也各不相同

 $ GroupID                    : chr  "1" "1" "1" "1" ...
 $ groupnames                 : chr  "A&M" "A&M" "A&M" "A&M" ...
 $ MeetiID                    : chr  "1" "1" "2" "2" ...
 $ Date_Meetings              : chr  "43293" "43293" "43298" "43298" ...
 $ PersonID                   : num  171 185 171 185 185 113 135 113 135 113 ...
 $ v_165                      : chr  "3" "3" "4" "3" ...
 $ v_166                      : chr  "2" "2" "3" "3" ...
 $ v_167                      : chr  "2" "4" "4" "3" ...
 $ v_168                      : chr  "6" "7" "4" "5" ...
 $ problemtypes_categories: chr  "Knowledgeproblem" "Knowledgeproblem" "Motivationalproblem" "Coordinationproblem" ...
 $ v_165_dicho                : num  0 0 0 0 1 1 1 0 0 1 ...
 $ v_166_dicho                : num  0 0 0 0 0 0 0 0 0 0 ...
 $ v_167_dicho                : num  0 0 0 0 1 1 0 0 0 0 ...

现在我必须创建一个新变量，该变量应该是二进制（0/1），名称为agreement\u levels。因此，每次，一组中的一个人（关于同一次学习会议）与同一次会议中同一组的其他学习者有相同的问题类型类别时，两个学习者（或三个或四个，取决于各自会议的组大小）都应在协议变量处获得值1，否则他们都应获得0。当一个人（例如，四个学习者中的一个人）的问题类别与其他人不同时，所有人的一致性变量都为0。 如果同一次会议的数据集中只有1人，则必须有一个NA表示同意。然而，当一个人的problemtype变量为NA，且同一会议的数据集中有两个人时，两人的一致性均为0；但是，如果数据集中有4个人参加同一个会议，其中一个人的problemtype为NA，那么只有这个人，而不是其他人的problemtype为NA

我已经编写了一个命令，但它还没有工作，仍然没有考虑NAs：

 GroupID1 <- df$GroupID[1:nrow,]
                         TreffID1 <- df$TreffID[1:nrow,]
                         for(i in 1:(GroupID1 -1){
                           for(j in 1:(TreffID1 -1){
                             if(df[i, 3] == df[i+1, 3]-1){
                                  if(df[i, 15] == df[i+1, 15]-1){
                                      df[c(i, i+1), 28] <- 1,
                                      df[c(i, i+1), 28] <- 0

---

我没有使用循环，而是使用了R的

dplyr

。我不确定你的逻辑是否正确，因为有很多。例如，您没有指定NA problemtype和3个人的情况。但是这里有一个使用

group\u by

的起点，因此您可以查看具有相同GroupID和TreffID的每组行，然后

mutate

和

case\u when

，它们根据条件将值分配给新列，然后执行类似

n（）

计算有多少行和

n_distinct

计算不同行，因此如果它是==1，则我们知道它们都是相同的

    library(tidyverse)
    df <- df %>% 
      group_by(GroupID, TreffID) %>% 
      mutate(agreement_levels = case_when(n() == 1 ~ -1,
                                          is.na(problemtypen_oberkategorien) & n() == 2 ~ 0,
                                          is.na(problemtypen_oberkategorien) & n() > 2 ~ -1,
                                          n_distinct(problemtypen_oberkategorien, na.rm = FALSE) == 1 ~ 1,
                                          n_distinct(problemtypen_oberkategorien, na.rm = FALSE) > 1 ~ 0,
                                          TRUE ~ -1),
             agreement_levels = na_if(agreement_levels, -1)) %>%
      select(GroupID, TreffID, problemtypen_oberkategorien, agreement_levels, everything()) 

库（tidyverse）
df%
分组依据（GroupID，TreffID）%>%
当（n（）==1~-1时，变异（一致性水平=case），
is.na（problemtypen_oberkategorien）&n（）==2~0，
is.na（problemtypen_oberkategorien）&n（）>2~-1，
n_distinct（problemtypen_oberkategorien，na.rm=FALSE）==1~1，
n_distinct（problemtypen_oberkategorien，na.rm=FALSE）>1~0，
真~-1），
协议级别=不适用（协议级别，-1））%>%
选择（GroupID、TreffID、problemtypen\u oberkategorien、agreement\u levels、everything（））

我用R的

dplyr

代替了循环。我不确定你的逻辑是否正确，因为有很多。例如，您没有指定NA problemtype和3个人的情况。但是这里有一个使用

group\u by

的起点，因此您可以查看具有相同GroupID和TreffID的每组行，然后

mutate

和

case\u when

，它们根据条件将值分配给新列，然后执行类似

n（）

计算有多少行和

n_distinct

计算不同行，因此如果它是==1，则我们知道它们都是相同的

    library(tidyverse)
    df <- df %>% 
      group_by(GroupID, TreffID) %>% 
      mutate(agreement_levels = case_when(n() == 1 ~ -1,
                                          is.na(problemtypen_oberkategorien) & n() == 2 ~ 0,
                                          is.na(problemtypen_oberkategorien) & n() > 2 ~ -1,
                                          n_distinct(problemtypen_oberkategorien, na.rm = FALSE) == 1 ~ 1,
                                          n_distinct(problemtypen_oberkategorien, na.rm = FALSE) > 1 ~ 0,
                                          TRUE ~ -1),
             agreement_levels = na_if(agreement_levels, -1)) %>%
      select(GroupID, TreffID, problemtypen_oberkategorien, agreement_levels, everything()) 

库（tidyverse）
df%
分组依据（GroupID，TreffID）%>%
当（n（）==1~-1时，变异（一致性水平=case），
is.na（problemtypen_oberkategorien）&n（）==2~0，
is.na（problemtypen_oberkategorien）&n（）>2~-1，
n_distinct（problemtypen_oberkategorien，na.rm=FALSE）==1~1，
n_distinct（problemtypen_oberkategorien，na.rm=FALSE）>1~0，
真~-1），
协议级别=不适用（协议级别，-1））%>%
选择（GroupID、TreffID、problemtypen\u oberkategorien、agreement\u levels、everything（））

如果您提供一些示例数据，会有所帮助。尝试使用dput（head（df））并粘贴结果。谢谢。现在，我不得不用德语变量名发布数据。problemtypen_oberkategorien是problemtype变量，TreffID是MeetingID在您的数据示例中有哪些相关变量？我很确定像

v_164

这样的开放式问题是不相关的。请将您的示例仅限于相关变量。如果您提供一些示例数据，将会有所帮助。尝试使用dput（head（df））并粘贴结果。谢谢。现在，我不得不用德语变量名发布数据。problemtypen_oberkategorien是problemtype变量，TreffID是MeetingID在您的数据示例中有哪些相关变量？我很确定像

v_164

这样的开放式问题是不相关的。请将您的示例仅限于相关变量。谢谢。因为我想计算小组成员在一次会议中是否遇到了相同的问题，如果三个成员中的一个有NA at problemtype，其他两个仍然可以同意。但如果其中两个问题类型为NA，则所有三个成员都必须获得NA at agree，因为再也没有机会计算一致性了。好的，我更改了第三个标准是.NA（problemtype）&n（）==4到n（）>2。谢谢，我知道这个问题可能听起来很愚蠢，但您能否告诉我如何将新变量集成到数据帧df中，以及如何使agree变量仅区分NA、0和1（但不是真或假）？该变量已经在数据帧中。df$agreement\u levels这个案例不让我把数字10和NAs放在一起。你能用TRUE和FALSE代替1和0吗？谢谢。因为我想计算小组成员在一次会议中是否遇到了同样的问题，如果三个成员中有一个有NA at problemtype，oth