按用户聚合数据框，在首次处理之前为每个用户保留行

Question

本网站其他地方也有类似的问题，但 none 的答案涵盖了我需要做的一切。

我有一个数据框，我正试图将其更改为时变的。研究中的受试者可以从非治疗转变为治疗，但不能相反。受试者有多行治疗信息，我想找到第一个出现的治疗，这很简单。问题是不是每个人都有治疗的发生，因此每当我运行我的算法找到第一次出现时，这些人就会被删除。为了让我的问题更清楚：

ID    treatment    start.date    stop.date  
1        0         01/01/2002    01/02/2002  
1        0         01/02/2002    01/03/2002  
1        1         01/03/2002    01/04/2002  
1        0         01/04/2002    01/05/2002  
2        0         01/01/2002    01/02/2002  
2        0         01/02/2002    01/03/2002  
3        0         01/01/2002    01/02/2002  
3        1         01/02/2002    01/03/2002
3        0         01/03/2002    01/04/2002

如您所见，2 从未接受过治疗。当我运行以下算法时，2被去掉了。

data$keep <- with(data, 
                     ave(treatment==1, ID ,FUN=function(x) if(1 %in% x) cumsum(x) else 2))
with(data, data[keep==0 | (treatment==1 & keep==1),])

有什么方法可以扩展此代码，使那些没有第一次出现的人保持不变并且保持每一行直到第一次出现的人出现？

总而言之，我希望我的数据如下所示：

ID    treatment    start.date    stop.date    
1        0         01/01/2002    01/02/2002   
1        0         01/02/2002    01/03/2002    
1        1         01/03/2002    01/04/2002   
2        0         01/01/2002    01/02/2002    
2        0         01/02/2002    01/03/2002  
3        0         01/01/2002    01/02/2002  
3        1         01/02/2002    01/03/2002

Answer 1

我们可以用不同的方式做到这一点。 data.table 的一个选项是在按 'ID' 列分组的 'treatment' 列上使用 if/else 条件。我们检查 if 处理中没有值等于 '1'，然后 return Data.table 的子集 (.SD) 即 (if(!any(treatment==1)) .SD)或 else 即如果 '1' 值在 'treatment' return 治疗中等于 1 (which(treatment==1)[1L]) 的第一个值的位置索引，得到序列 ( seq) 并使用该数字索引对数据表进行子集化。 (.SD)

library(data.table)#v1.9.5+
setDT(data)[, if(!any(treatment==1)) .SD 
              else .SD[seq(which(treatment==1)[1L])], by = ID]
#     ID treatment start.date  stop.date
#1:  1         0 01/01/2002 01/02/2002
#2:  1         0 01/02/2002 01/03/2002
#3:  1         1 01/03/2002 01/04/2002
#4:  2         0 01/01/2002 01/02/2002
#5:  2         0 01/02/2002 01/03/2002
#6:  3         0 01/01/2002 01/02/2002
#7:  3         1 01/02/2002 01/03/2002

或者更紧凑的方法是依赖 'treatment' 中当前值和先前值之间的差异，并检查差异是否大于或等于 0。我们可以使用 diff 或-。在这种情况下，我得到了治疗和治疗滞后之间的差异（shift 默认情况下给出 'lag' 值。它是 data.table 开发版本中的新功能）

setDT(data)[, .SD[(treatment-shift(treatment, fill=0))>=0], by = ID]

或使用 dplyr 的类似方法。我们按 'ID' 分组，然后 filter 根据 'treatment'.

中当前值和先前值之间的差异对行进行分组

library(dplyr)
data %>% 
    group_by(ID) %>% 
    filter(c(0, diff(treatment)) >=0) 
#  ID treatment start.date  stop.date
#1  1         0 01/01/2002 01/02/2002
#2  1         0 01/02/2002 01/03/2002
#3  1         1 01/03/2002 01/04/2002
#4  2         0 01/01/2002 01/02/2002
#5  2         0 01/02/2002 01/03/2002
#6  3         0 01/01/2002 01/02/2002
#7  3         1 01/02/2002 01/03/2002

或 ave 来自 base R

data[with(data, as.logical(ave(treatment, ID, 
                  FUN=function(x) c(0, diff(x))>=0))),]

按用户聚合数据框，在首次处理之前为每个用户保留行

Aggregate dataframe by user, keeping rows for each user prior to first occurrence of treatment

aggregate

r

find-occurrences