如何使用 dplyr 操作长 table 相关数据，但不将数据转换为宽格式

Question

我有一些数据代表患者 (id) 的重复（会话 A 和 B）测量值 (var.x)。我的数据很整洁（即长格式 table，每一列有一个变量，每一行有一个观察值）......像这样：

| id | var.1 | var.2 | session |
--------------------------------
|  1 |  1.1  |   11  |    A    |
|  1 |  1.9  |   12  |    B    |
|  2 |  1.2  |   15  |    A    |
|  2 |  1.4  |   14  |    B    |

我想对来自会话 A 和 B 的配对（按 ID）数据（例如 var.1）进行相关分析。换句话说，重复测量之间的相关系数是多少..

这不难做到，如果我tranpose/pivot/melt/spread把数据变成像这样的宽格式：

| id | var.1.A | var.2.A | var.1.B | var.2.B |
----------------------------------------------
|  1 |  1.1    |   11    |   1.9   |   12    |
|  2 |  1.2    |   15    |   1.4   |   14    |

...然后我可以简单地 cor(var.1.A, var.1.B)。我意识到 dplyr/tidyr 有 gather/spread/separate/unite 用于此目的的命令，但是这对我来说似乎不整洁且不够优雅，因为我基本上必须复制我的数据。

有没有办法在不重塑数据的情况下使用 dplyr 做到这一点？

我在想一些事情：

data %>% 
    select(id, var.1, session) %>%
    do( cor( filter(session=='A', filter(session=='B'))

...但显然这不起作用，我还需要以某种方式指定数据是配对的（按 id）。

Answer 1

我们可以尝试 dplyr 或 data.table 方法。假设我们想要找到 'var' 列的相关性，我们使用 grep ('nm1') 和自定义函数 (f1) 创建列的索引。我们在 do 中使用 Map 来获取每个 'var' 列的 cor。我们使用 'var' 列作为第一个输入，即 'x' 和 'session' 作为 'y'.

nm1 <- grep('^var', names(data))
f1 <- function(x,y) cor(x[y=='A'], x[y=='B']) 
library(dplyr)
data %>% 
      do({data.frame(Map(f1, .[nm1], list(.$session)))})
#   var.1 var.2
#1    -1     1

以类似的方式，我们可以使用 data.table 来完成 cor。

library(data.table)
setDT(data)[, Map(f1, .SD[, nm1, with=FALSE], list(session)) ]
#   var.1 var.2
#1:    -1     1

如果我们使用 base R

mapply(f1, data[nm1], list(data$session))
# var.1 var.2 
# -1     1

如果我们想转换为 wide 格式，我们可以使用 data.table 的开发版本中的 dcast 即 v1.9.5 因为它可以使用多个 value.var列。

 dW <- dcast(setDT(data), id~session, value.var=c('var.1', 'var.2'))[, id:=NULL]
 dW
 #   var.1_A var.1_B var.2_A var.2_B
 #1:     1.1     1.9      11      12
 #2:     1.2     1.4      15      14

我们可以转换为 matrix、子集、应用 cor 并获得 diag 值。

 m1 <- as.matrix(dW)
 diag(cor(m1[,c(TRUE, FALSE)], m1[,c(FALSE, TRUE)]))
 #[1] -1  1

数据

data <- structure(list(id = c(1L, 1L, 2L, 2L), var.1 = c(1.1, 1.9, 1.2, 
1.4), var.2 = c(11L, 12L, 15L, 14L), session = c("A", "B", "A", 
"B")), .Names = c("id", "var.1", "var.2", "session"), 
class = "data.frame", row.names = c(NA, -4L))

Answer 2

我想我会添加一个答案，说明如何使用来自 dplyr 的 summarise_each 来做到这一点。

此方法取决于数据集顺序。在这种情况下，我喜欢使用 arrange 来确保数据集处于所需的顺序，但如果您确信事情已经有序，则可以跳过此步骤。

data %>%
    arrange(id, session) %>%
    summarise_each(funs(cor(.[session == "A"], .[session == "B"])), starts_with("var"))

  var.1 var.2
1    -1     1

在 summarise_each 中，. 指的是您要汇总的变量，而在 do 中，它指的是数据集。

你可以简单地写出你想要总结的变量的名称，但我使用函数starts_with来选择变量。有关这些特殊功能的更多信息，请参阅 select 的帮助页面。

您还需要确保每个 ID 中都有一对。 tidyr 包中的 complete 函数可能会很有用，如果你运行遇到 [=20] 中缺少 session 级别之一的情况=].如果是这种情况，您可能需要在 cor 中使用 use 参数。

如何使用 dplyr 操作长 table 相关数据，但不将数据转换为宽格式

How to manipulate long-table data for correlations, using dplyr, but without transposing data to wide format

r

dplyr

tidyr

数据