R, Как накапливать значения в столбце списка на основе нескольких критериев

У меня есть набор данных о пациентах, получающих лечение в различных больницах (только стационарных), в которых некоторый анализ выявил несколько несоответствий. Одним из них было то, что программное обеспечение позволяло пациентам поступать в больницу без закрытия их ранее открытых case_id.

Чтобы лучше понять это, давайте рассмотрим пример набора данных

Пример данных

dput(df)

df <- structure(list(case_id = 1:22, patient_id = c(1L, 1L, 1L, 1L, 
1L, 1L, 1L, 2L, 2L, 2L, 1L, 3L, 3L, 3L, 4L, 4L, 5L, 5L, 6L, 7L, 
8L, 8L), pack_id = c(12L, 62L, 59L, 68L, 77L, 86L, 20L, 55L, 
86L, 72L, 7L, 54L, 75L, 26L, 21L, 12L, 49L, 35L, 51L, 31L, 10L, 
54L), hosp_id = c(1L, 1L, 2L, 2L, 1L, 1L, 2L, 3L, 3L, 4L, 2L, 
3L, 3L, 3L, 4L, 5L, 6L, 6L, 7L, 7L, 8L, 8L), admn_date = structure(c(18262, 
18264, 18265, 18266, 18277, 18279, 18283, 18262, 18264, 18277, 
18287, 18275, 18301, 18291, 18366, 18374, 18309, 18319, 18364, 
18303, 18328, 18341), class = "Date"), discharge_date = structure(c(18275, 
18276, 18271, 18275, 18288, 18280, 18286, 18275, 18276, 18288, 
18291, 18283, 18309, 18297, 18375, 18381, 18347, 18328, 18367, 
18309, 18341, 18344), class = "Date")), row.names = c(NA, -22L
), class = "data.frame")

> df
   case_id patient_id pack_id hosp_id  admn_date discharge_date
1       1          1      12       1 2020-01-01     2020-01-14
2       2          1      62       1 2020-01-03     2020-01-15
3       3          1      59       2 2020-01-04     2020-01-10
4       4          1      68       2 2020-01-05     2020-01-14
5       5          1      77       1 2020-01-16     2020-01-27
6       6          1      86       1 2020-01-18     2020-01-19
7       7          1      20       2 2020-01-22     2020-01-25
8       8          2      55       3 2020-01-01     2020-01-14
9       9          2      86       3 2020-01-03     2020-01-15
10     10          2      72       4 2020-01-16     2020-01-27
11     11          1       7       2 2020-01-26     2020-01-30
12     12          3      54       3 2020-01-14     2020-01-22
13     13          3      75       3 2020-02-09     2020-02-17
14     14          3      26       3 2020-01-30     2020-02-05
15     15          4      21       4 2020-04-14     2020-04-23
16     16          4      12       5 2020-04-22     2020-04-29
17     17          5      49       6 2020-02-17     2020-03-26
18     18          5      35       6 2020-02-27     2020-03-07
19     19          6      51       7 2020-04-12     2020-04-15
20     20          7      31       7 2020-02-11     2020-02-17
21     21          8      10       8 2020-03-07     2020-03-20
22     22          8      54       8 2020-03-20     2020-03-23

Если мы видим в приведенных выше данных, пациент с идентификатором 1 поступил в больницу_1 (строка-1) 1 января и выписался 14 января. Перед этой выпиской пациент снова поступил в ту же больницу (ряд-2); и в больнице_2 снова два раза (строки 3 и 4), прежде чем, наконец, все эти четыре записи были закрыты 15 января (строка 2).

Я уже отфильтровал такие записи, в которых пациенты были госпитализированы в несколько больниц/в одну и ту же больницу несколько раз; по следующему коду

Код попробовал

df_2 <- df %>% arrange(patient_id, admn_date, discharge_date) %>%
  mutate(sort_key = row_number()) %>%
  pivot_longer(c(admn_date, discharge_date), names_to  = "activity", 
               values_to  = "date", names_pattern = "(.*)_date") %>%
  mutate(activity = factor(activity, ordered = T, 
                           levels = c("admn", "discharge")),
         admitted = ifelse(activity == "admn", 1, -1)) %>%
  group_by(patient_id) %>%
  arrange(date, sort_key, activity, .by_group = TRUE) %>% 
  mutate (admitted = cumsum(admitted)) %>%
  ungroup()
  
 > df_2
# A tibble: 44 x 8
   case_id patient_id pack_id hosp_id sort_key activity  date       admitted
    <int>      <int>   <int>   <int>    <int> <ord>     <date>        <dbl>
 1      1          1      12       1        1 admn      2020-01-01        1
 2      2          1      62       1        2 admn      2020-01-03        2
 3      3          1      59       2        3 admn      2020-01-04        3
 4      4          1      68       2        4 admn      2020-01-05        4
 5      3          1      59       2        3 discharge 2020-01-10        3
 6      1          1      12       1        1 discharge 2020-01-14        2
 7      4          1      68       2        4 discharge 2020-01-14        1
 8      2          1      62       1        2 discharge 2020-01-15        0
 9      5          1      77       1        5 admn      2020-01-16        1
10      6          1      86       1        6 admn      2020-01-18        2
# ... with 34 more rows

С помощью этого кода df_2 %>% filter(admitted >1 & activity == "admn") я могу сразу отфильтровать несогласованные записи.

Тем не менее, я хочу включить/сгенерировать один list column, где бы ни открывалась новая запись/case_id без закрытия какой-либо предыдущей, где hsopital_ids накапливаются всякий раз, когда activity == 'admn', а Hospital_id удаляется из существующих записей всякий раз, когда activity == 'discharge'. Итак, в основном мой желаемый результат для df_2 будет примерно таким:

Желаемый ВЫВОД

# A tibble: 44 x 8
   case_id patient_id pack_id hosp_id sort_key activity  date       admitted    open_records
    <int>      <int>   <int>   <int>    <int> <ord>     <date>        <dbl>     <list>
 1      1          1      12       1        1 admn      2020-01-01        1     1
 2      2          1      62       1        2 admn      2020-01-03        2     1, 1
 3      3          1      59       2        3 admn      2020-01-04        3     1, 1, 2
 4      4          1      68       2        4 admn      2020-01-05        4     1, 1, 2, 2
 5      3          1      59       2        3 discharge 2020-01-10        3     1, 1, 2
 6      1          1      12       1        1 discharge 2020-01-14        2     1, 2
 7      4          1      68       2        4 discharge 2020-01-14        1     1,
 8      2          1      62       1        2 discharge 2020-01-15        0     <NULL>
 9      5          1      77       1        5 admn      2020-01-16        1     1
10      6          1      86       1        6 admn      2020-01-18        2     1, 1
# ... with 34 more rows

ПРИМЕЧАНИЕ. Я знаю, что столбец списка не будет отображаться в tibble/data.frame, как тот, который я показал только для пояснения. Однако, если есть какой-либо метод, с помощью которого это можно напечатать, я хотел бы знать об этом наверняка.

Более того, если есть какая-либо лучшая стратегия для хранения идентификаторов больниц в столбце вместо создания столбца списка, я также хотел бы знать об этом наверняка.

Стоит ли изучать PHP в 2023-2024 годах?
Стоит ли изучать PHP в 2023-2024 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
1
0
172
2
Перейти к ответу Данный вопрос помечен как решенный

Ответы 2

Если вы не возражаете против использования цикла

library(stringi)

df3 <- df2
df3$open_records <- NA
df3$hosp_id <- as.character(df3$hosp_id) #makes pasting easier

for(i in 1:nrow(df3)){
  #if re-admn
  if (df3$activity[i] == "admn"){
    df3$open_records[i] <- paste(lag(df3$open_records, default = "")[i],
                                 df3$hosp_id[i],
                                 sep = ",")
  #we'll handle pretty commas later
  }
  
  #if discharge
  if (df3$activity[i] == "discharge"){
    df3$open_records[i] <- sub(df3$hosp_id[i], "",
                               stri_reverse(df3$open_records[i-1]))
  #sub out one hospital if discharge
  #we reverse the string before removing to get the last hosp_id
  }
  
  #if admitted == 0
  if (df3$admitted[i] == 0) df3$open_records[i] <- NA
  
  #if just starting the group
  if (df3$activity[i] == "admn" & df3$admitted[i] == 1){
    df3$open_records[i] <- df3$hosp_id[i]
  }
}
  
#comma clean
df3$open_records <- gsub("^,*|(?<=,),|,*$", "", df3$open_records, perl=T)
df3$open_records <- gsub(",", ", ", df3$open_records)

Если ваш набор данных действительно велик, это может быть неоптимальным. Возможно, стоит также добавить команды next() к каждому оператору if (если вы сделаете это, я думаю, имеет смысл переместить оператор if начальной группы в начало цикла).

(чистый источник запятых: Удаление нескольких запятых и завершающих запятых с помощью gsub)

РЕДАКТИРОВАТЬ, исходя из необходимости не использовать цикл

library(tidyverse)

paste3 <- function(out, input, activity, sep = ",") {
  if (activity == "admn") {
    paste(out, input, sep = sep)
  } else
    if (activity == "discharge") {
      sub(input, "", out)
    }
}

df4 <- df2 %>%
  mutate(temp_act = lead(activity)) %>%
  mutate(open_records = accumulate2(hosp_id, head(temp_act, -1), paste3)
  ) %>%
  select(-temp_act)


df4$open_records <- gsub("^,*|(?<=,),|,*$", "", df4$open_records, perl=T)
df4$open_records <- gsub(",", ", ", df4$open_records)

Я заметил, что пациенты могут быть госпитализированы в одну и ту же больницу более одного раза одновременно. Одна вещь, которую вы, возможно, захотите рассмотреть, — это объединение case_id и hosp_id, чтобы вместо удаления первого совпадения hosp_id при разряде вы могли удалить тот, который соответствует правильному case_id. (Замените hosp_id в коде вашей новой переменной.)

Этого нет в вашем образце кода, но если у кого-то есть open_records 2, 1, 2, 1, 2 и его выписывают из третьего допуска, мой код вернет 1, 2, 1, 2, когда вы, возможно, захотите 2, 1, 1, 2.

У меня действительно огромный набор данных, скажем, около миллиарда записей. Хотя за ваш ответ проголосовали, я действительно ищу способ сделать это без промежуточного использования циклов. Спасибо за ваши добрые усилия. :)

AnilGoyal 22.12.2020 09:44

Я изучил accumulate. Получается в 2-5 раз быстрее.

dyrland 22.12.2020 16:47
Ответ принят как подходящий

Вот достойное tidyverse решение для этого:

library(dplyr)
library(purrr)

df_2 %>%
  group_by(patient_id) %>%
  mutate(open_records = accumulate(2:n(), .init = paste0(hosp_id[1], ","), 
                                   ~ if (activity[.y] == "admn") {
                                     paste0(.x, hosp_id[.y], ",")
                                   } else {
                                     sub(paste0(hosp_id[.y], ","), "", .x)
                                   }),
         open_records = gsub("([d,]*)\\,$", "", open_records))

# A tibble: 44 x 9
# Groups:   patient_id [8]
   case_id patient_id pack_id hosp_id sort_key activity  date       admitted open_records
     <int>      <int>   <int>   <int>    <int> <ord>     <date>        <dbl> <chr>       
 1       1          1      12       1        1 admn      2020-01-01        1 "1"         
 2       2          1      62       1        2 admn      2020-01-03        2 "1,1"       
 3       3          1      59       2        3 admn      2020-01-04        3 "1,1,2"     
 4       4          1      68       2        4 admn      2020-01-05        4 "1,1,2,2"   
 5       3          1      59       2        3 discharge 2020-01-10        3 "1,1,2"     
 6       1          1      12       1        1 discharge 2020-01-14        2 "1,2"       
 7       4          1      68       2        4 discharge 2020-01-14        1 "1"         
 8       2          1      62       1        2 discharge 2020-01-15        0 ""          
 9       5          1      77       1        5 admn      2020-01-16        1 "1"         
10       6          1      86       1        6 admn      2020-01-18        2 "1,1"       
# ... with 34 more rows

Другие вопросы по теме