根据唯一列项目的计数创建一个 3 级指标变量

Question

背景

我有一个数据框df:

df <- data.frame(ID =    c("a","a","a","b","b","b", "c","c","c","c","c","d","d","d","d"),
                 event = c("red",NA,"blue","white",NA,"white","orange",NA,"gray",NA,"red","black","magenta","purple","brown"),
                 stringsAsFactors=FALSE)

> df
   ID   event
1   a     red
2   a    <NA>
3   a    blue
4   b   white
5   b    <NA>
6   b   white
7   c  orange
8   c    <NA>
9   c    gray
10  c    <NA>
11  c     red
12  d   black
13  d magenta
14  d  purple
15  d   brown

其中有 4 个人 (ID)，共 15 行，每个人都有各种 event 条目，这些条目在该人中是唯一的：例如 ID=a 有 2 个唯一事件，红色和蓝色，而 ID=b 只有 1 个唯一事件，白色，即使有 2 个“白色”。

问题

我想创建一个新列，indicator，计算每个 ID 中唯一的非 NA 事件的数量，并将它们分类到不同的级别：

0 如果那个人只有一个独特的非 NA event
1 代表 2 个独特的非 NA events
2 表示 3 个或更多独特的非 NA events

级别指示器应应用于每个 ID 的 indicator 的每一行，包括 event=NA 行——它不能只是 indicator= 2，因为例如，当 event.

中有非 NA 的东西时

换句话说，我正在寻找这样的东西：

# A tibble: 15 x 3
   ID    event   indicator
   <chr> <chr>       <int>
 1 a     red             1
 2 a     NA              1
 3 a     blue            1
 4 b     white           0
 5 b     NA              0
 6 b     white           0
 7 c     orange          2
 8 c     NA              2
 9 c     gray            2
10 c     NA              2
11 c     red             2
12 d     black           2
13 d     magenta         2
14 d     purple          2
15 d     brown           2

我试过的

我一开始只是尝试构建中间层，看看我是否可以获得等于 1 的 ID=a，但这样做是为了 ID=b 而不是：

df <- df %>% 
  group_by(ID) %>%
  mutate(indicator = if_else((n_distinct(event)) == 2, 1, 0)) %>%
  ungroup()

# A tibble: 15 x 3
   ID    event   indicator
   <chr> <chr>       <dbl>
 1 a     red             0
 2 a     NA              0
 3 a     blue            0
 4 b     white           1
 5 b     NA              1
 6 b     white           1
 7 c     orange          0
 8 c     NA              0
 9 c     gray            0
10 c     NA              0
11 c     red             0
12 d     black           0
13 d     magenta         0
14 d     purple          0
15 d     brown           0

为什么它认为“白色”的 2 个实例是 2 个不同的事件？还是 n_distinct 不是我想的那样？

Answer 1

与 data.table 和 fcase:

library(data.table)

setDT(df)
df[,indicator:=fcase(sum(!is.na(unique(event)))<=1,0,sum(!is.na(unique(event)))==2,1,default=2),by=ID][]

    ID   event indicator
 1:  a     red         1
 2:  a    <NA>         1
 3:  a    blue         1
 4:  b   white         0
 5:  b    <NA>         0
 6:  b   white         0
 7:  c  orange         2
 8:  c    <NA>         2
 9:  c    gray         2
10:  c    <NA>         2
11:  c     red         2
12:  d   black         2
13:  d magenta         2
14:  d  purple         2
15:  d   brown         2

Answer 2

您可以使用：

library(dplyr)

df %>%
  group_by(ID) %>%
  mutate(x = pmax(pmin(n_distinct(event, na.rm = TRUE), 3) - 1, 0)) %>%
  ungroup()

# A tibble: 15 × 3
   ID    event       x
   <chr> <chr>   <dbl>
 1 a     red         1
 2 a     NA          1
 3 a     blue        1
 4 b     white       0
 5 b     NA          0
 6 b     white       0
 7 c     orange      2
 8 c     NA          2
 9 c     gray        2
10 c     NA          2
11 c     red         2
12 d     black       2
13 d     magenta     2
14 d     purple      2
15 d     brown       2

如果您确信没有任何组仅由 NA 组成，则可以删除 pmax()。要回答您的问题，您需要告诉 n_distinct() 省略 NA 个值，否则它们将被计算在内。

Answer 3

另一个可能的解决方案：

library(dplyr)

df %>% 
  group_by(ID) %>% 
  mutate(indicator = n_distinct(event, na.rm = T) %>% 
           {case_when(. == 1 ~ 0, . == 2 ~ 1, . >= 3 ~ 2)}) %>% ungroup

#> # A tibble: 15 × 3
#>    ID    event   indicator
#>    <chr> <chr>       <dbl>
#>  1 a     red             1
#>  2 a     <NA>            1
#>  3 a     blue            1
#>  4 b     white           0
#>  5 b     <NA>            0
#>  6 b     white           0
#>  7 c     orange          2
#>  8 c     <NA>            2
#>  9 c     gray            2
#> 10 c     <NA>            2
#> 11 c     red             2
#> 12 d     black           2
#> 13 d     magenta         2
#> 14 d     purple          2
#> 15 d     brown           2

根据唯一列项目的计数创建一个 3 级指标变量

Create a 3-level indicator variable based on counts of unique column items

r

dplyr

data.table