R：如何根据给定列的值删除数据框的行

Question

我有100个模拟数据集，例如下面显示一个数据集

pid time status
1    2     1
1    6     0
1    4     1
2    3     0
2    1     1
2    7     1
3    8     1
3    11    1
3    2     0

pid表示患者编号。 这表明每个患者在“时间和状态”列上都有三个记录。 我想编写R代码以删除状态为0的任何行（如果该行不是给定患者的第一次观察的记录），并保留状态为0的行（如果它表示第一次观察），而其余状态为1的行将在此之后该患者的0被删除。 输出应该看起来像

pid time status
1    2     1
1    4     1
2    3     0
3    8     1
3    11    1

由于有100个模拟数据集，因此对于所有数据，状态栏中0和1的位置都不相同。 有人可以提供能够执行此任务的R代码吗？ 先感谢您。

Answer 1

dplyr软件包可以提供帮助。 我在您的数据示例中添加了一条记录，以为pid包含多个0值。

按pid分组，并使用函数first您可以保留status的第一个值。 由于该组，因此将为每个pid保留所有记录。 然后，如果第一条记录为0且row_number（）= 1，以防万一有更多的记录为0（请参见pid 4），或者如果第一条记录的状态为1，并保留所有状态为1的记录，则仅进行过滤。

df %>% 
  group_by(pid) %>% 
  filter((first(status) == 0 & row_number() == 1) | (first(status) == 1 & status == 1))

# A tibble: 6 x 3
# Groups:   pid [4]
    pid  time status
  <int> <int>  <int>
1     1     2      1
2     1     4      1
3     2     3      0
4     3     8      1
5     3    11      1
6     4     3      0

数据：

df <-
  structure(
    list(
      pid = c(1L, 1L, 1L, 2L, 2L, 2L, 3L, 3L, 3L, 4L, 4L, 4L),
      time = c(2L, 6L, 4L, 3L, 1L, 7L, 8L, 11L, 2L, 3L, 6L, 8L),
      status = c(1L, 0L, 1L, 0L, 1L, 1L, 1L, 1L, 0L, 0L, 1L, 0L)
    ),
    .Names = c("pid", "time", "status"),
    class = "data.frame",
    row.names = c(NA,-12L)
  )

Answer 2

这个问题在https://stackoverflow.com上更合适。

这是使用tapply()的尝试tapply()有点冗长）：

dat <- structure(list(pid = c(1L, 1L, 1L, 2L, 2L, 2L, 3L, 3L, 3L),
                      time = c(2L, 6L, 4L, 3L, 1L, 7L, 8L, 11L, 2L),
                      status = c(1L, 0L, 1L, 0L, 1L, 1L, 1L, 1L, 0L)),
                 .Names = c("pid", "time", "status"), class = "data.frame",
                 row.names = c(NA, -9L))
ind <- unlist(tapply(dat$status, dat$pid, function(x) {
    # browser()
    y <- (rep(FALSE, length(x)))
    if (x[1] == 1) {
        y[x != 0] <- TRUE
    } else {
        y[1] <- TRUE
    }
    y
}))
dat[ind, ]
#>   pid time status
#> 1   1    2      1
#> 3   1    4      1
#> 4   2    3      0
#> 7   3    8      1
#> 8   3   11      1

ind是TRUE和FALSE的向量，它们将指示是否应根据您的规则保留一行dat 。

我使用tapply(X, INDEX, FUN) 将函数应用于向量的子集（此处X = dat$status ），该子集由分组因子定义（此处INDEX = dat$pid ）。 在这里，我使用了一个匿名函数（即FUN = function(x){} ）对X每个子集进行操作。 特别是，我首先将y定义为FALSE的向量，稍后再返回。 如果子组的第一个状态为1，则将所有非零元素（即y[x != 0] ）转换为TRUE 。 否则，我仅将第一个元素（即y[1] ）转换为TRUE 。

您可以取消注释browser()语句，并在控制台上输入n （表示下一个）或x或y （以查看其含义）来查看函数的作用。