在R中按ID基于连续行血压阈值条件生成二元变量GH

我们需要为数据框中的每个ID创建二元变量GH，规则为：若某行属于**连续两行及以上满足BP1 >= 140或BP2 >= 90**的序列，则GH为1，否则为0。原始数据如下：

ID <- c(1, 1, 1, 1, 2, 2, 2)
BP1 <- c(130, 140, 140, 130, 110, 120, 130)
BP2 <- c(80, 90, 80, 110, 90, 80, 90)
DF1 <- data.frame(ID, BP1, BP2)

方法1：使用dplyr（tidyverse生态） #

通过分组标记连续序列，再判断序列长度是否符合要求：

library(dplyr)

DF2 <- DF1 %>%
  # 按ID分组处理
  group_by(ID) %>%
  # 第一步：标记当前行是否满足高血压条件
  mutate(is_high = BP1 >= 140 | BP2 >= 90) %>%
  # 第二步：为连续的相同is_high值创建分组ID
  mutate(group_id = consecutive_id(is_high)) %>%
  # 按ID+连续分组ID再次分组，判断是否符合GH=1的条件
  group_by(ID, group_id) %>%
  mutate(GH = ifelse(is_high & n() >= 2, 1, 0)) %>%
  # 取消分组，清理临时变量
  ungroup() %>%
  select(-is_high, -group_id)

# 查看结果
print(DF2)

方法2：使用data.table（高效处理大数据） #

利用rleid函数快速标记连续序列，逻辑和dplyr一致：

library(data.table)

# 转换为data.table格式
setDT(DF1)

DF2 <- DF1[, .(BP1, BP2, is_high = BP1 >= 140 | BP2 >= 90), by = ID] %>%
  # 按ID分组，标记连续的is_high序列
  .[, group_id := rleid(is_high), by = ID] %>%
  # 按ID+group_id分组，计算GH值
  .[, GH := ifelse(is_high & .N >= 2, 1, 0), by = .(ID, group_id)] %>%
  # 保留需要的列
  .[, .(ID, BP1, BP2, GH)]

# 查看结果
print(DF2)

结果说明 #

运行上述代码后，得到的DF2如下：

# A tibble: 7 × 4
     ID   BP1   BP2    GH
  <dbl> <dbl> <dbl> <dbl>
1     1   130    80     0
2     1   140    90     1
3     1   140    80     1
4     1   130   110     1
5     2   110    90     0
6     2   120    80     0
7     2   130    90     0

• ID1的第2-4行属于连续3个满足条件的序列，因此GH=1；
• ID2的满足条件行都是单独出现，没有连续两行及以上，因此GH全为0。

内容的提问来源于stack exchange，提问作者19056530