R语言：分组数据框中tx_ID统计与带缺失值的横向展开实现

背景 #

现有一份记录患者移植后随访数据的dataframe，包含3个关键变量：

• patient_ID（患者标识）
• tx_ID（移植手术唯一标识）
• days_from_tx（移植至随访的间隔天数）

每一行代表一次随访，每位患者的随访次数不固定；部分随访记录的tx_ID存在缺失，部分患者有多次移植手术，tx_ID不同，且无法确定单患者最大tx_ID数量。

需求 #

1. 统计每位患者拥有的唯一tx_ID数量（0、1、2……，不计入缺失值）；
2. 将每位患者的所有唯一tx_ID提取至独立列（如tx1、tx2），对应到该患者的所有随访记录。

示例数据 #

patient_ID <- c("A", "A", "A", "A", "B", "B", "C", "C", "C")
tx_ID <- c("123", NA, NA, "123", NA, NA, "456", NA, "789")
days_from_tx <- c(0, 5, 10, 15, 2, 4, 1, 2, 3)
df <- data.frame(patient_ID, tx_ID, days_from_tx)

数据展示：

期望输出 #

patient_ID tx_ID days_from_tx nr_tx_ID  tx1  tx2
1          A   123            0        1  123 <NA>
2          A  <NA>            5        1  123 <NA>
3          A  <NA>           10        1  123 <NA>
4          A   123           15        1  123 <NA>
5          B  <NA>            2        0 <NA> <NA>
6          B  <NA>            4        0 <NA> <NA>
7          C   456            3        2  456  789
8          C  <NA>           10        2  456  789
9          C   789            2        2  456  789

尝试的代码及问题 #

参考相关方案修改的代码：

df %>%
  group_by(patient_ID) %>%
  mutate(
    last_followup = n_distinct(tx_ID, na.rm = TRUE)
  )

问题：代码未按患者分组统计，反而将所有患者的唯一tx_ID数量统一写入列中，不符合需求。

解决方案 #

可以通过dplyr结合tidyr实现需求，步骤如下：

1. 按patient_ID分组，提取每组的唯一tx_ID（去重并排除NA）；
2. 统计每组的tx_ID数量，生成nr_tx_ID列；
3. 将提取的唯一tx_ID转换为宽格式，合并回原数据框。

完整代码：

library(dplyr)
library(tidyr)

df_result <- df %>%
  group_by(patient_ID) %>%
  # 提取每组唯一的tx_ID，排除NA，生成列表列
  mutate(unique_tx = list(unique(na.omit(tx_ID)))) %>%
  # 统计tx_ID数量
  mutate(nr_tx_ID = length(unique_tx[[1]])) %>%
  # 将列表列展开为多列，自动命名tx1、tx2...
  unnest_wider(unique_tx, names_sep = "") %>%
  # 未填满的列补NA
  mutate(across(starts_with("unique_tx"), ~replace_na(.x, NA))) %>%
  # 重命名列，去掉前缀unique_
  rename_with(~gsub("unique_tx", "tx", .x), starts_with("unique_tx")) %>%
  ungroup()

print(df_result)

运行后即可得到符合期望的输出。

内容的提问来源于stack exchange，提问作者kobue1