Question

我有一个大型的患者遭遇数据集（约600万）。每位患者可能在多年中每年都有多次入境。我希望能够按年排列患者，然后给他们编号，以便我可以过滤掉每个患者的除一年以外的所有记录，以便可以在特定的健康计划中对每个患者的第一年进行检查。

我能够对每个患者的第一个条目进行排名和过滤，但是我认为我必须根据在新数据框中使用％in％生成的两列来创建新的df和子集原始数据框。这是我遇到麻烦的地方。

虽然我经常使用堆栈溢出来查找问题的解决方案，但是我通常不会发布，因此如果我做得不好，请多多包涵。

enrolid<- c(223801,223801, 223801, 223801, 223801, 223803, 223803, 223804)

year<- c(2008, 2008, 2009, 2010, 2011, 2008, 2011, 2008)

service<- c( "CT", "Colonoscopy", "labs", "office_visit", "med", "office_vist", "hospitalization", "CT")

#But for 6 million enounters. I want to me extract the enrolid and first #year for each individual in my data set.


df1<-data.frame(enrolid, year, service)

df2<- df1 %>% 
group_by(enrolid) %>% 
  filter(rank(year, ties.method="first")==1) %>% 
  mutate(enrollment_year_num = 1) %>% 
  select(enrolid, year)`

df1 %>% 
filter_all(any_vars(. %in% df2)) #tried with df2$enrolid & df2year

感谢！

Answer 1

您可以使用filter语句一步一步完成所有操作（确保year是一个数字变量，此功能才能起作用）。

df1 %>%
 group_by(enrolid) %>%
 filter(year == min(year))

Answer 2

还可以使用slice：

df1 %>% group_by(enrolid) %>% slice(which.min(year))

根据另一个数据框中的两列选择数据框中的列子集

2 个答案: