如何用R语言按组在多列中搜索并生成恶性标记变量

现有癌症患者检测数据，每位患者有1-4次检测记录，部分记录包含细胞学（cytology）结果，部分包含病理学（pathology）结果，部分两项都有。原始数据如下：

library(dplyr)
library(tibble)

data<-tribble(
  ~record_number, ~tool, ~cytology, ~pathology,
  114, "forceps", "Indeterminate", NA,
  114, "needle", "Non-Malignant", "Malignant",
  114, "lavage", NA, "Indeterminate",
  115, "forceps", NA, "Non-Malignant",
  115, "needle", NA, "Malignant"
)

需要新增一个Malignant变量（取值0/1）：按record_number分组后，若同一患者的任意一条记录中，cytology或pathology列出现"Malignant"，则该患者所有记录的Malignant值为1，否则为0。期望输出如下：

desired<-tribble(
  ~record_number, ~tool, ~cytology, ~pathology, ~Malignant,
  114, "forceps", "Indeterminate", NA, 1,
  114, "needle", "Non-Malignant", "Malignant", 1,
  114, "lavage", NA, "Indeterminate", 1, 
  115, "forceps", NA, "Non-Malignant", 1, 
  115, "needle", NA, "Malignant", 1,
)

已想到用group_by(record_number)开头，但不清楚后续步骤，求解决思路。

解决方法 #

核心思路是按患者分组后，检查组内是否存在任意一条记录满足cytology == "Malignant"或pathology == "Malignant"，再将这个判断结果映射到组内所有记录。

具体代码实现如下：

data_with_malignant <- data %>%
  group_by(record_number) %>%
  mutate(
    # 检查组内是否有任意记录的cytology或pathology为"Malignant"
    Malignant = as.integer(any(cytology == "Malignant" | pathology == "Malignant", na.rm = TRUE))
  ) %>%
  ungroup() # 取消分组，恢复普通数据框格式

代码解释 #

• group_by(record_number)：按患者ID分组，确保后续操作基于同一患者的所有记录。
• any(cytology == "Malignant" | pathology == "Malignant", na.rm = TRUE)：
  • cytology == "Malignant" | pathology == "Malignant"：逐行判断当前记录是否满足细胞学或病理学结果为恶性。
  • any(..., na.rm = TRUE)：检查组内是否存在至少一条满足上述条件的记录，na.rm = TRUE用于忽略NA值，避免NA干扰判断结果。
• as.integer()：将逻辑值（TRUE/FALSE）转换为0/1的整数格式，符合需求的变量取值。
• ungroup()：操作完成后取消分组，避免后续操作受分组状态影响。

运行上述代码后，得到的data_with_malignant就和期望的desired数据一致。

内容的提问来源于stack exchange，提问作者John Ryan