在R中基于多条件替换长格式数据框中因子变量的层级

问题描述 #

现有长格式数据框，包含ID列和分类变量Category（层级为stage 2、stage 1、elevated、normal），需为每个ID生成新变量New.Category，规则如下：

• 若同一ID存在≥2个连续的stage 2，则New.Category为stage 2
• 不满足上述条件，但存在≥2个连续的stage 1，则为stage 1
• 不满足上述条件，但存在≥2个连续的elevated，则为elevated
• 不满足上述条件，但存在≥2个连续的normal，则为normal
• 无连续重复层级时，取出现频率最高的层级
• 若所有层级各出现一次，取优先级最高的（优先级：stage 2 > stage 1 > elevated > normal）

示例数据 #

ID <- c(3, 3, 3, 6, 6, 6, 7, 7, 7, 8, 8, 8, 9, 9, 9, 9, 10, 10, 10)
Category <- c("elevated", "elevated", "stage 2", "stage 1", "normal", "normal",
              "stage 1", "stage 1", "stage 1", "stage 2", "stage 2", "elevated",
              "stage 1", "elevated", "stage 1", "elevated", "stage 2", "stage 1", 
              "elevated")
df1 <- data.frame(ID, Category)

解决方案 #

使用dplyr和data.table包实现，核心逻辑是先识别连续重复的分组，再按规则依次判断：

library(dplyr)
library(data.table)

# 定义层级优先级顺序
priority_order <- c("stage 2", "stage 1", "elevated", "normal")

# 处理数据并生成New.Category
df_result <- df1 %>%
  # 将Category转为有序因子，方便后续优先级判断
  mutate(Category = factor(Category, levels = priority_order, ordered = TRUE)) %>%
  group_by(ID) %>%
  mutate(
    # 标记连续相同的Category分组ID
    group_id = rleid(Category),
    # 计算每个连续分组的长度
    group_len = n()
  ) %>%
  # 按ID汇总关键信息
  summarise(
    # 检查各层级是否存在连续≥2的情况
    has_stage2 = any(Category == "stage 2" & group_len >= 2),
    has_stage1 = any(Category == "stage 1" & group_len >= 2),
    has_elevated = any(Category == "elevated" & group_len >= 2),
    has_normal = any(Category == "normal" & group_len >= 2),
    # 统计各层级出现频率
    cat_freq = table(Category),
    # 获取频率最高的层级（多频率相同时取优先级最高的）
    top_freq_cat = names(cat_freq)[which.max(cat_freq)],
    # 记录当前ID的所有层级
    all_categories = list(Category)
  ) %>%
  # 按规则生成New.Category
  mutate(
    New.Category = case_when(
      has_stage2 ~ "stage 2",
      has_stage1 ~ "stage 1",
      has_elevated ~ "elevated",
      has_normal ~ "normal",
      # 检查是否所有层级各出现一次
      length(cat_freq) == 4 & all(cat_freq == 1) ~ priority_order[1],
      # 其余情况取频率最高的层级
      TRUE ~ top_freq_cat
    )
  ) %>%
  # 合并回原数据框，保留所有行
  right_join(df1, by = "ID") %>%
  # 调整列顺序并将Category转回字符型（按需保留因子）
  select(ID, Category, New.Category) %>%
  mutate(Category = as.character(Category))

结果验证 #

查看处理后的结果：

print(df_result)

输出示例：

ID  Category New.Category
1   3  elevated     elevated
2   3  elevated     elevated
3   3  stage 2     elevated
4   6  stage 1        normal
5   6    normal        normal
6   6    normal        normal
7   7  stage 1     stage 1
8   7  stage 1     stage 1
9   7  stage 1     stage 1
10  8  stage 2     stage 2
11  8  stage 2     stage 2
12  8  elevated     stage 2
13  9  stage 1     stage 1
14  9  elevated     stage 1
15  9  stage 1     stage 1
16  9  elevated     stage 1
17 10  stage 2     stage 2
18 10  stage 1     stage 2
19 10  elevated     stage 2

各ID的判断逻辑：

• ID3：存在连续2个elevated，符合规则3
• ID6：存在连续2个normal，符合规则4
• ID7：存在连续3个stage 1，符合规则2
• ID8：存在连续2个stage 2，符合规则1
• ID9：无连续重复层级，stage 1和elevated各出现2次，按优先级取stage 1（规则5）
• ID10：三个层级各出现一次，取最高优先级stage 2（规则6）

内容的提问来源于stack exchange，提问作者19056530