基于R语言为重复ID的STI感染数据生成同月共感染标记

你需要标记同一患者（ID）下同一月内存在多种不同STI感染的记录，这类记录标记为TRUE，否则为FALSE。以下是两种实用实现方法：

方法1：使用dplyr（tidyverse工具包，适合新手） #

如果还没安装dplyr，先执行安装命令：

install.packages("dplyr")

再运行以下代码：

library(dplyr)

# 加载模拟数据
df <- data.frame(
  ID = c(1, 1, 1, 2, 3, 3),
  Disease = c("Chlamydia", "Syphilis", "Chlamydia", "Chlamydia", "Gonorrhea", "Chlamydia"),
  Date = as.Date(c("2023-01-25", "2023-01-25", "2023-07-13", "2023-03-16", "2023-04-02", "2023-08-29"))
)

# 生成Flag变量
df_with_flag <- df %>%
  # 按患者ID分组，仅在组内计算
  group_by(ID) %>%
  # 生成年月标识，用于判断是否同一月感染
  mutate(YearMonth = format(Date, "%Y-%m")) %>%
  # 按ID+年月再次分组，统计组内不同疾病数量
  group_by(ID, YearMonth) %>%
  # 若组内疾病数>1，标记为共感染（TRUE）
  mutate(Flag = n_distinct(Disease) > 1) %>%
  # 移除临时生成的年月列
  select(-YearMonth) %>%
  # 取消分组
  ungroup()

# 查看结果
df_with_flag

代码说明 #

• group_by(ID)：将数据按患者ID拆分，确保仅在同一患者的记录内计算
• format(Date, "%Y-%m")：把日期转为年-月格式（如2023-01），统一判断“同一月”的标准
• n_distinct(Disease)：统计当前组内的不同疾病种类数，数量大于1即判定为共感染

运行后输出结果与你期望的一致：

# A tibble: 6 × 4
     ID Disease   Date       Flag 
  <dbl> <chr>     <date>     <lgl>
1     1 Chlamydia 2023-01-25 TRUE 
2     1 Syphilis  2023-01-25 TRUE 
3     1 Chlamydia 2023-07-13 FALSE
4     2 Chlamydia 2023-03-16 FALSE
5     3 Gonorrhea 2023-04-02 FALSE
6     3 Chlamydia 2023-08-29 FALSE

方法2：使用Base R（无需额外安装包） #

如果你不想安装新包，可使用原生R代码实现：

# 加载模拟数据
df <- data.frame(
  ID = c(1, 1, 1, 2, 3, 3),
  Disease = c("Chlamydia", "Syphilis", "Chlamydia", "Chlamydia", "Gonorrhea", "Chlamydia"),
  Date = as.Date(c("2023-01-25", "2023-01-25", "2023-07-13", "2023-03-16", "2023-04-02", "2023-08-29"))
)

# 生成年月标识列
df$YearMonth <- format(df$Date, "%Y-%m")

# 统计每个ID+年月组合的不同疾病数量
counts <- aggregate(Disease ~ ID + YearMonth, data = df, FUN = function(x) length(unique(x)))
names(counts)[3] <- "DistinctDiseases"

# 合并统计结果到原数据，生成Flag
df_with_flag <- merge(df, counts, by = c("ID", "YearMonth"))
df_with_flag$Flag <- df_with_flag$DistinctDiseases > 1

# 整理列顺序并移除临时列
df_with_flag <- df_with_flag[, c("ID", "Disease", "Date", "Flag")]

# 查看结果
df_with_flag

代码说明 #

• aggregate(...)：按ID和年月分组，统计每组内的不同疾病数量
• merge(...)：把统计结果合并回原数据，让每条记录都能匹配到对应的疾病数量
• df_with_flag$Flag <- ...：通过疾病数量判断是否为共感染，生成标记列

内容的提问来源于stack exchange，提问作者shollaback