考虑数据帧内不同组的行之间的日期差异

Question

我正在处理一些来自动物治疗的信息R.首先,我想描述一下我的信息结构(最后我会添加dput()版本).我的数据是DF,它看起来像这样:

  Treatment_ID Start_Date      Valid
1         0031 2011-05-01 2011-05-30
2         0031 2011-05-01 2011-06-30
3         0045 2012-02-01 2012-03-01
4         0057 2012-04-01 2012-04-30
5         0057 2012-04-01 2012-05-30
6         0098 2012-10-01 2012-10-30

它有56行和3个变量Treatment_ID(5种治疗方法),Start_Date(治疗开始日期)和Valid(治疗的最终日期).例如,Treatment_ID 0031有两个观察结果,因为它始于2011年5月,并于2011年6月结束.然后0045在2012年2月开始新的治疗并于2012年3月结束(仅一次观察).相同的结构适用于内部的所有组DF.我需要使用某些条件计算每次治疗之间和每次治疗之后的月份差异.我会用前两种方法来证明这一点:

  Treatment_ID Start_Date      Valid
1         0031 2011-05-01 2011-05-30
2         0031 2011-05-01 2011-06-30
3         0045 2012-02-01 2012-03-01
4         0057 2012-04-01 2012-04-30  

对于这个例子,我有两行用于第一次处理Treatment_Id变量相等的行.当发生这种情况时,Valid必须计算变量的月份差异.当出现新治疗时Start_Date,Valid必须计算两者之间的差异.请注意,当治疗有多个观察时,通过使用Valid变量对该组中的观察结果进行差异,但是当Treatment_Id变化时,必须通过使用Start_Date和Valid变量获得差异.为了获得这个变量,Break_Months我使用了下一个结构:

DF$Break_Months=NA

for(i in c(2:(length(DF$Break_Months))))
{
  DF$Break_Months[i]=ifelse(DF$Treatment_ID[i]==DF$Treatment_ID[i-1],round(as.numeric(DF$Valid[i]-DF$Valid[i-1])/30,0),
                            round(as.numeric(DF$Start_Date[i]-DF$Valid[i-1])/30,0))
}

此for当Treatment_Id相等计算实际行和与前一之间的差Valid变量,并且当它们的差被使用来计算不同的Start_Date和Valid.第一个值Break_Months是NA因为没有先前要比较的值.DF当我使用前面的代码行时,问题出现了.

   Treatment_ID Start_Date      Valid Break_Months
47         0098 2012-10-01 2016-07-30            1
48         0098 2012-10-01 2016-08-31            1
49         0031 2016-09-01 2016-09-30            0
50         0031 2016-09-01 2016-10-30            1
51         0031 2016-09-01 2016-11-30            1
52         0031 2016-09-01 2016-12-30            1
53         0031 2016-09-01 2017-01-30            1
54         0031 2016-09-01 2017-03-02            1
55         0031 2016-09-01 2017-03-30            1
56         0012 2017-03-01 2017-03-30           -1

在Treatment_Id 0012只有一个观察,因为它是新的,Valid日期是一样的,治疗的最后观察0031.由于Treatment_Id 0031已在其他月份使用,因此根据治疗内部先前的观察计算差异.在这种情况下0012是不可能的,因为它的Valid日期与上次观察的日期相同,0031并且0012没有更多的观察结果,因为它是新的.当发生这种情况时,必须在此前的组的最后一次观察中进行0031比较0098.通过使用概念由于0012以不等于0098该Break_Months由之间的差来计算2017-03-01(Start_Date)和2016-08-31(Valid)给出的值6通过在相同的机械for结构,而不是-1.

我的问题与如何将这种考虑纳入其中有关for.尝试这样做非常复杂,因为我不知道如何整合与日期相关的比较(如果它们与示例相同)并在包含相同日期的组之前查找前一组.我已经尝试使用包中的lag函数dplyr来避免for但结果不一样.该dput()版本DF是下一个:

DF<-structure(list(Treatment_ID = c("0031", "0031", "0045", "0057", 
"0057", "0098", "0098", "0098", "0098", "0098", "0098", "0098", 
"0098", "0098", "0098", "0098", "0098", "0098", "0098", "0098", 
"0098", "0098", "0098", "0098", "0098", "0098", "0098", "0098", 
"0098", "0098", "0098", "0098", "0098", "0098", "0098", "0098", 
"0098", "0098", "0098", "0098", "0098", "0098", "0098", "0098", 
"0098", "0098", "0098", "0098", "0031", "0031", "0031", "0031", 
"0031", "0031", "0031", "0012"), Start_Date = structure(c(1304208000, 
1304208000, 1328054400, 1333238400, 1333238400, 1349049600, 1349049600, 
1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 
1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 
1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 
1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 
1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 
1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 
1349049600, 1349049600, 1349049600, 1349049600, 1349049600, 1472688000, 
1472688000, 1472688000, 1472688000, 1472688000, 1472688000, 1472688000, 
1488326400), class = c("POSIXct", "POSIXt"), tzone = "UTC"), 
    Valid = structure(c(1306713600, 1309392000, 1330560000, 1335744000, 
    1338336000, 1351555200, 1354233600, 1356825600, 1359504000, 
    1362182400, 1364601600, 1367280000, 1369872000, 1372550400, 
    1375142400, 1377820800, 1380499200, 1383091200, 1385769600, 
    1388361600, 1391040000, 1393718400, 1396137600, 1398816000, 
    1401408000, 1404086400, 1412035200, 1414627200, 1417305600, 
    1419897600, 1422576000, 1425254400, 1427673600, 1432944000, 
    1435622400, 1440892800, 1443571200, 1446163200, 1448841600, 
    1451433600, 1454112000, 1456790400, 1459296000, 1461974400, 
    1464566400, 1467244800, 1469836800, 1472601600, 1475193600, 
    1477785600, 1480464000, 1483056000, 1485734400, 1488412800, 
    1490832000, 1490832000), class = c("POSIXct", "POSIXt"), tzone = "UTC")), .Names = c("Treatment_ID", 
"Start_Date", "Valid"), row.names = c(NA, -56L), class = "data.frame")

谢谢你的帮助.

更新 其中一个解决方案非常完美.现在,当我必须计算类似的变量时,我有一点问题.首先,我计算的变量Elapsed是之间的差异Valid和Start_Date.我用下一个代码:

DF$Elapsed=round(as.numeric(DF$Valid-DF$Start_Date)/30,0)

然后,出现了困境.我必须计算接下来的两个变量Last1和Last2.我使用下一个代码:

#Compute Last1
DF$Last1=NA
DF$Last1[1]=0
for(j in c(2:length(DF$Last1)))
{
  DF$Last1[j]=ifelse(DF$Treatment_ID[j]==DF$Treatment_ID[j-1],DF$Last1[j-1],
                     ifelse(DF$Treatment_ID[j]!=DF$Treatment_ID[j-1],DF$Elapsed[j-1],0))
}

代码工作特别,因为我有一个与变量相关的类似问题Break_Months.在这种情况下,因为0031并且0012具有相同的Valid值,所以由于循环的逻辑(变量),Treatment_Id不能与0031赋值7 的最后一个值进行比较Elapsed.在这种情况下,正确的值是48,因为比较必须用最后一次观察组结构,0098然后我们得到48.我试图修改last_obs_index但我无法得到正确的结果.

   Treatment_ID Start_Date      Valid Break_Months Elapsed Last1
47         0098 2012-10-01 2016-07-30            1      47     2
48         0098 2012-10-01 2016-08-31            1      48     2
49         0031 2016-09-01 2016-09-30            0       1    48
50         0031 2016-09-01 2016-10-30            1       2    48
51         0031 2016-09-01 2016-11-30            1       3    48
52         0031 2016-09-01 2016-12-30            1       4    48
53         0031 2016-09-01 2017-01-30            1       5    48
54         0031 2016-09-01 2017-03-02            1       6    48
55         0031 2016-09-01 2017-03-30            1       7    48
56         0012 2017-03-01 2017-03-30            6       1     7

对于变量,Last2我使用下一个代码:

#Compute Last2
DF$Last2=NA
DF$Last2[1]=0
for(k in c(2:length(DF$Last2)))
{
  DF$Last2[k]=ifelse(DF$Treatment_ID[k]==DF$Treatment_ID[k-1],DF$Last2[k-1],
                     ifelse(DF$Treatment_ID[k]!=DF$Treatment_ID[k-1],DF$Break_Months[k],0))
}

在这种情况下,似乎有效,但事实并非如此.尽管6是正确的,但是比较没有很好地定义,因为0012并且0031具有相同的Valid日期,并且最佳比较是使用最后一次观察0098组.因此,Break_Months分配了值.我再次无法使用定义的适当逻辑修复循环last_obs_index.

   Treatment_ID Start_Date      Valid Break_Months Elapsed Last1 Last2
47         0098 2012-10-01 2016-07-30            1      47     2     4
48         0098 2012-10-01 2016-08-31            1      48     2     4
49         0031 2016-09-01 2016-09-30            0       1    48     0
50         0031 2016-09-01 2016-10-30            1       2    48     0
51         0031 2016-09-01 2016-11-30            1       3    48     0
52         0031 2016-09-01 2016-12-30            1       4    48     0
53         0031 2016-09-01 2017-01-30            1       5    48     0
54         0031 2016-09-01 2017-03-02            1       6    48     0
55         0031 2016-09-01 2017-03-30            1       7    48     0
56         0012 2017-03-01 2017-03-30            6       1     7     6

感谢这次的所有帮助,是否有可能获得有关如何调整循环以便以正确方式进行比较的建议.

Answer 1

要在循环中执行此操作，当 的值与之前的观察值不同时，for您需要在计算中添加额外的条件。Treatment_ID

如果 的值Treatment_ID与前一个观测值不同，则计算Start_Date该观测值与Valid最近观测值的最后一个观测值之间的差异Treatment_ID，其中 的最后一个值Valid也不同。

为此，您需要知道变化DF值的索引Treatment_ID和变化值Valid。您将需要该Lag功能Hmisc

library(Hmisc)
new_obs_index <- which(DF$Treatment_ID != Lag(DF$Treatment_ID,1) & DF$Valid != Lag(DF$Valid))

这提供了新观察开始位置的索引，我们实际上想要在Treatment_ID此之前的最后一个观察的最后一个观察的索引。

last_obs_index <- new_obs_index - 1

Valid这些是满足上次观察标准的值的索引，以便下一次观察Treatment_ID的值也发生变化。Valid

然后在for循环中，当变化值减去与满足我们标准的最新值Treatment_ID之间的差值时。我们通过指定我们想要的来实现这一点StartValid

DF$Valid[last_obs_index[max(which(last_obs_index < i))]]

所以for循环看起来像这样：

for(i in c(2:(length(DF$Break_Months)))){
  DF$Break_Months[i]=ifelse(DF$Treatment_ID[i]==DF$Treatment_ID[i-1],
round(as.numeric(DF$Valid[i]-DF$Valid[i-1])/30,0),round(as.numeric(DF$Start_Date[i]-DF$Valid[last_obs_index[max(which(last_obs_index < i))]])/30,0))
}

这给出了 DF 中最后一次观察所需的结果。

   Treatment_ID Start_Date      Valid Break_Months
51         0031 2016-09-01 2016-11-30            1
52         0031 2016-09-01 2016-12-30            1
53         0031 2016-09-01 2017-01-30            1
54         0031 2016-09-01 2017-03-02            1
55         0031 2016-09-01 2017-03-30            1
56         0012 2017-03-01 2017-03-30            6

总而言之，实现的必要代码是

library(Hmisc)
new_obs_index <- which(DF$Treatment_ID != Lag(DF$Treatment_ID,1) & DF$Valid != Lag(DF$Valid))
last_obs_index <- new_obs_index - 1 
for(i in c(2:(length(DF$Break_Months)))){
DF$Break_Months[i]=ifelse(DF$Treatment_ID[i]==DF$Treatment_ID[i-1],round(as.numeric(DF$Valid[i]-DF$Valid[i-1])/30,0),round(as.numeric(DF$Start_Date[i]-DF$Valid[last_obs_index[max(which(last_obs_index < i))]])/30,0))
}

更新 对于变量，Last1您可以使用以下语法使用向量访问所需的值last_obs_index：

for(j in c(2:length(DF$Last1))){
DF$Last1[j]=ifelse(DF$Treatment_ID[j]==DF$Treatment_ID[j-1],DF$Last1[j-1],ifelse(DF$Treatment_ID[j]!=DF$Treatment_ID[j-1],DF$Elapsed[last_obs_index[max(which(last_obs_index < i))]],0))}

对于变量，Last2如果我正确理解你，我认为你的实现总是会给出你想要的答案。我认为一个新的治疗值足以使用 的值Break_Months，并且您不需要另外的 值Valid来使用它。