如何基于唯一字符列合并多列事件数据的多行记录（dplyr实现）

现有数据集d中，pnr是唯一患者标识，age.hl、kon.hl、sen.hl、mix.hl分别代表四种疾病的发生状态（1=事件发生，0=事件未发生），对应的xxx.hl.time是事件发生时间；未发生事件时，时间统一为截尾日期2018-12-31，且同一疾病的发生事件（值为1）不会在同一患者的多行记录中重复出现。

需按pnr合并记录，使每个患者仅保留一行，整合所有疾病的状态与对应时间。

原始数据集 #

d <- data.frame(
  pnr = c("A", "A", "A", "B", "C", "C"),
  age.hl = c(0, 1, 0, 0, 0, 1),
  age.hl.time = c(as.Date("2018-12-31"), as.Date("2013-10-31"), as.Date("2018-12-31"),
                  as.Date("2018-12-31"), as.Date("2018-12-31"), as.Date("2008-07-31")),
  kon.hl = c(1, 0, 0, 0, 0, 0),
  kon.hl.time = c(as.Date("2011-02-01"), as.Date("2018-12-31"), as.Date("2018-12-31"),
                  as.Date("2018-12-31"), as.Date("2018-12-31"), as.Date("2018-12-31")),
  sen.hl = c(0, 0, 1, 1, 0, 1),
  sen.hl.time = c(as.Date("2018-12-31"), as.Date("2018-12-31"), as.Date("2016-09-30"),
                  as.Date("2004-04-30"), as.Date("2018-12-31"), as.Date("2009-01-31")),
  mix.hl = c(0, 1, 0, 0, 1, 0),
  mix.hl.time = c(as.Date("2018-12-31"), as.Date("2013-10-31"), as.Date("2018-12-31"),
                  as.Date("2018-12-31"), as.Date("2006-01-17"), as.Date("2018-12-31"))
)

原始数据预览：

> d
  pnr age.hl age.hl.time kon.hl kon.hl.time sen.hl sen.hl.time mix.hl mix.hl.time
1   A      0  2018-12-31      1  2011-02-01      0  2018-12-31      0  2018-12-31
2   A      1  2013-10-31      0  2018-12-31      0  2018-12-31      1  2013-10-31
3   A      0  2018-12-31      0  2018-12-31      1  2016-09-30      0  2018-12-31
4   B      0  2018-12-31      0  2018-12-31      1  2004-04-30      0  2018-12-31
5   C      0  2018-12-31      0  2018-12-31      0  2018-12-31      1  2006-01-17
6   C      1  2008-07-31      0  2018-12-31      1  2009-01-31      0  2018-12-31

期望输出 #

pnr age.hl age.hl.time kon.hl kon.hl.time sen.hl sen.hl.time mix.hl mix.hl.time
1   A      1  2013-10-31      1  2011-02-01      1  2016-09-30      1  2013-10-31
2   B      0  2018-12-31      0  2018-12-31      1  2004-04-30      0  2018-12-31
3   C      1  2008-07-31      0  2018-12-31      1  2009-01-31      1  2006-01-17

dplyr解决方案 #

利用dplyr的分组聚合功能，对每个患者的疾病状态取最大值（1代表发生，0代表未发生，最大值即为该患者是否发生过该疾病），对应时间取最小值（事件发生时间早于截尾日期，取最小即可得到实际发生时间；未发生时所有时间均为截尾日期，取最小不影响结果）。

代码如下：

library(dplyr)

d_merged <- d %>%
  group_by(pnr) %>%
  summarise(
    age.hl = max(age.hl),
    age.hl.time = min(age.hl.time),
    kon.hl = max(kon.hl),
    kon.hl.time = min(kon.hl.time),
    sen.hl = max(sen.hl),
    sen.hl.time = min(sen.hl.time),
    mix.hl = max(mix.hl),
    mix.hl.time = min(mix.hl.time),
    .groups = "drop" # 聚合后取消分组
  )

# 查看合并结果
print(d_merged)

代码说明 #

• group_by(pnr)：按患者标识分组
• summarise：对每组字段做聚合操作：
  • 疾病状态字段（如age.hl）取max()：同一患者同一疾病最多仅1条发生记录，最大值即为该患者的疾病发生状态
  • 时间字段（如age.hl.time）取min()：事件发生时间早于截尾日期，取最小能得到实际发生时间；未发生时所有时间均为截尾日期，取最小仍为该日期
• .groups = "drop"：取消分组，返回普通数据框

执行代码后即可得到期望的合并结果。

内容的提问来源于stack exchange，提问作者cmirian