R中映射非数值分期因子 取两列分期字段较高值的实现方法

核心思路 #

先给所有分期定义优先级权重，把缺失值、未知值统一标准化后，逐行对比两列的权重值，取权重最高的对应分期即可。

实现步骤 #

第一步：定义分期优先级映射 #

按规则要求，有效值优先级高于Unknown，数值越大优先级越高：

# 优先级从低到高排序，Unknown权重最低，仅当两列都为Unknown/缺失时输出
stage_levels <- c("Unknown", "I", "IA", "IB", "II", "IIA", "IIB", "III", "IIIA", "IIIB", "IIIC", "IV", "IVA", "IVB", "IVC")
# 生成权重映射表
stage_weight <- setNames(seq_along(stage_levels), stage_levels)

第二步：标准化原始数据的分期值 #

把原始两列里的NA、Unknown/Not Reported都统一替换为Unknown，避免后续匹配出错：

library(dplyr)
df_clean <- df %>%
  mutate(across(c(PathGroupStage, ClinGroupStage), ~case_when(
    is.na(.) | . == "Unknown/Not Reported" ~ "Unknown",
    TRUE ~ .
  )))

第三步：逐行取最高分期生成OutputStage #

每行分别获取两列的权重，取权重更大的对应的分期即可：

df_result <- df_clean %>%
  rowwise() %>%
  mutate(
    path_w = stage_weight[PathGroupStage],
    clin_w = stage_weight[ClinGroupStage],
    OutputStage = stage_levels[max(path_w, clin_w)]
  ) %>%
  ungroup() %>%
  # 可选：删除中间计算的权重列
  select(-path_w, -clin_w)

结果验证 #

运行后生成的结果完全匹配要求：

• 第2行I和IA对比，输出IA
• 第5行I和III对比，输出III
• 第7行IIIA和IIB对比，输出IIIA
• 第9行两列都缺失，输出Unknown

基础R简化实现 #

不想依赖dplyr可以用基础R实现：

# 先标准化所有值
df[is.na(df)] <- "Unknown"
df[df == "Unknown/Not Reported"] <- "Unknown"
# 逐行计算结果
df$OutputStage <- apply(df, 1, function(x) {
  w1 <- stage_weight[x[1]]
  w2 <- stage_weight[x[2]]
  stage_levels[max(w1, w2)]
})

内容的提问来源于stack exchange，提问作者sutsabs