使用 R 处理入院数据（第二部分）

Question

感谢大家就使用 R 处理入院数据，我对这个问题还有补充问题，其实应该是这个问题之前的任务。

现在我有一个像这样的数据集：

Patient_ID Date Ward
P001       1    A
P001       2    A
P001       3    A
P001       4    A
P001       4    B
P001       5    B
P001       6    B
P001       7    B
P001       7    C
P001       8    B
P001       9    B
P001       10   B

我需要将其转换为：

Patient_ID Date Ward
P001       1    A
P001       2    A
P001       3    A
P001       4    A;B
P001       5    B
P001       6    B
P001       7    B;C
P001       8    B
P001       9    B
P001       10   B

目前我已经使用 ddply 转换它，代码附在下面：

data <- ddply(data,
              c("Patient_ID", "Date"),
              function(df)
                {data.frame(Ward=paste(unique(df[,"Ward"]),collapse=";"))
                },
              .progress="text"
              )

这可以解决我的问题，但它非常慢（超过 20分钟），当数据集具有 8818 unique(Patients_ID) 和 1861 unique(Date) 时。我该如何改进呢？谢谢！

Answer 1

有效的方法是，假设您的数据位于对象 pdat 中

res <- with(pdat,
            aggregate(Ward, by = list(Date = Date, Patient_ID = Patient_ID),
                      FUN = paste, collapse = ";"))
names(res)[3] <- "Ward"
res <- res[, c(2,1,3)]

并给出：

> res
   Patient_ID Date Ward
1        P001    1    A
2        P001    2    A
3        P001    3    A
4        P001    4  A;B
5        P001    5    B
6        P001    6    B
7        P001    7  B;C
8        P001    8    B
9        P001    9    B
10       P001   10    B

它应该愉快地扩展到更多患者等，并且比您的 ddply() 快很多版本：

> system.time(replicate(1000,{
+ res <- with(pdat,
+             aggregate(Ward, by = list(Date = Date, Patient_ID = Patient_ID),
+                       FUN = paste, collapse = ";"))
+ names(res)[3] <- "Ward"
+ res <- res[, c(2,1,3)]
+ }))
   user  system elapsed 
  2.113   0.002   2.137

vs

> system.time(replicate(1000,{
+ ddply(pdat,
+       c("Patient_ID", "Date"),
+       function(df)
+       data.frame(Ward=paste(unique(df[,"Ward"]),collapse=";"))
+       )
+ }))
   user  system elapsed 
 12.862   0.006  12.966

但是，这并不意味着 ddply() 无法加速 - 我不熟悉这个包。

这两个版本是否以类似的方式扩展 - 即仅仅因为 aggregate() 版本在这些对简单数据的重复测试中更快，并不意味着您在应用于更大的任务 - 还有待观察，但我会让您在一小部分数据上与多个患者一起测试这两个版本，看看它们的扩展程度如何。

---

编辑：
一项快速测试 - 重复您提供给我们的患者数据以生成 4 名新患者（总共 5 名），所有患者都具有相同的数据，这表明聚合的规模更好一些。对于 1000 次重复，aggregate() 版本的执行时间高达 4.6 秒（大约翻倍），而 ddply() 版本的执行时间高达 52 秒（〜四倍）。