基于药物给药排除蛋白测量值的R语言医学数据处理需求

首先注意：原数据集中protein_B和protein_C的列名存在重复（均重复使用protein_B_1、protein_C_1），这会导致数据框无法正常构建，先修正列名：

# 修正重复列名
colnames(dataset)[grep("protein_B", colnames(dataset))] <- paste0("protein_B_", 1:6)
colnames(dataset)[grep("protein_C", colnames(dataset))] <- paste0("protein_C_", 1:6)

接下来使用tidyverse工具包处理数据，步骤如下：

1. 加载工具包 #

library(tidyverse)

2. 将宽格式数据转为长格式 #

把分散的蛋白测量日期、蛋白值列整合为长格式，便于按参与者和测量时间批量处理：

dataset_long <- dataset %>%
  pivot_longer(
    cols = starts_with(c("protein_date", "protein_A", "protein_B", "protein_C")),
    names_to = c(".value", "measurement_num"),
    names_pattern = "(.*)_(\\d+)"
  ) %>%
  mutate(measurement_num = as.integer(measurement_num))

3. 筛选符合要求的记录 #

对drug == "1"的参与者，保留测量日期早于trial_participation的记录；对drug == "0"的参与者保留全部数据：

processed_data <- dataset_long %>%
  group_by(Participant.Id) %>%
  mutate(
    # 对drug=1的参与者，定位第一个>=给药日期的测量序号
    cutoff = ifelse(drug == "1", 
                   min(measurement_num[protein_date >= trial_participation], na.rm = TRUE),
                   Inf),
    # 标记需要保留的记录
    keep = ifelse(drug == "0", TRUE, measurement_num < cutoff)
  ) %>%
  filter(keep | is.na(keep)) %>% # 处理NA值情况
  ungroup()

4. 转回宽格式（可选） #

如果需要恢复原始的宽格式结构，执行以下代码：

processed_data_wide <- processed_data %>%
  select(-cutoff, -keep) %>%
  pivot_wider(
    names_from = measurement_num,
    values_from = c(protein_date, protein_A, protein_B, protein_C),
    names_glue = "{.value}_{measurement_num}"
  )

结果验证 #

以参与者1为例，其trial_participation为2014-06-16：

• protein_date_3等于该日期，因此序号3及之后的蛋白值会被排除，最终保留protein_A_1/2、protein_B_1/2、protein_C_1/2，完全符合需求。

内容的提问来源于stack exchange，提问作者y.a