Блог

Допустим, у меня есть продольный набор данных, как показано ниже

 ID <- c(1, 1, 2, 2, 3, 3, 4, 4)
time <- c(1, 2, 1, 2, 1, 2, 1, 2)
value <- c(7, 5, 9, 2, NA, 3, 7, NA)

mydata <- data.frame(ID, time, value)

  ID time value
1  1    1     7
2  1    2     5
3  2    1     9
4  2    2     2
5  3    1    NA
6  3    2     3
7  4    1     7
8  4    2    NA
 

В этом наборе данных у нас есть 4 обращения с данными в два момента времени (скажем, до и после обработки)

Что-то, что я хочу сделать, это установить критерии для удаления любого обращения, которое не завершено для обоих временных точек. В этом примере я хотел бы удалить ID3 (у которого отсутствует временная точка 1) и ID4 (у которого отсутствует временная точка 2). Как показано ниже:

   ID time value
1  1    1     7
2  1    2     5
3  2    1     9
4  2    2     2
 

Мне не очень повезло. Я пробовал варианты complete.cases() или which() безрезультатно

Я все еще новичок в R и был бы очень признателен, если бы кто-нибудь мог мне помочь

Редактировать: Спасибо, Ронак, за ответ на мой вопрос. После анализа моих реальных данных я столкнулся со второй проблемой. Мои фактические данные в большей степени отражены в приведенном ниже:

 ID <- c(1, 1, 2, 2, 3, 3, 4, 4, 5, 6, 7, 8)
time <- c(1, 2, 1, 2, 1, 2, 1, 2, 1, 1, 1, 1)
value <- c(7, 5, 9, 2, NA, 3, 7, NA, 8, 9, 7, 6)

mydata <- data.frame(ID, time, value)



    ID time value
1   1    1     7
2   1    2     5
3   2    1     9
4   2    2     2
5   3    1    NA
6   3    2     3
7   4    1     7
8   4    2    NA
9   5    1     8
10  6    1     9
11  7    1     7
12  8    1     6
 

Где я также хотел бы удалить обращения 5, 6, 7 и 8. Эти идентификаторы содержат запись для времени 1, но не для времени 2. Надеюсь, это имеет смысл

Большое спасибо

Если вы переведете свои данные в широкий формат (где каждый момент времени представлен в виде отдельного столбца), тогда вы можете использовать na.omit . Использование dplyr и tidyr функции:

 library(dplyr)    
mydata <- mydata %>%
tidyr::spread(key=time, value=value) %>% # reformat to wide
na.omit() %>% # delete cases with missingness on any variable (i.e. any time point)
tidyr::gather(key="time", value="value", -ID) # put it back in long format

> mydata
  ID time value
1  1    1     7
2  2    1     9
3  1    2     5
4  2    2     2
 

Обратите внимание, что это будет работать (будут сохранены только обращения с полными данными как для времени 1, так и для времени 2), даже если у вас отсутствует момент времени без явного NA, присутствующего в данных, например:

 > mydata
   ID time value
1   1    1     7
2   1    2     5
3   2    1     9
4   2    2     2
5   3    1    NA
6   3    2     3
7   4    1     7
8   4    2    NA
9   5    1     8
10  6    1     9
11  7    1     7
12  8    1     6
 

Вы можете сделать это легко с sqldf помощью .

 library(sqldf)    
sqldf(' select * from (select ID, count(*) as cnt from mydata where value is not null group by id having cnt >1 ) t1 inner join mydata t2 on t1.ID=t2.ID')
 

Вы должны выбрать те идентификаторы, число которых больше 1 и в значениях которых нет NA, а затем снова присоединиться к исходным данным.

@Ronak уже предоставил

mydata[!mydata$ID %in% mydata$ID[is.na(mydata$value)], ]

Для второй части вы можете просто группировать по каждому идентификатору и фильтровать по их частоте

k2 <- data.frame(table(mydata$ID))

k2$Var1[k2$Freq > 1]

а затем сделайте что-то вроде

mydata[mydata$ID %in% k2$Var1[k2$Freq > 1],]

Смотрите Обновленный ответ

 # Eliminates ID cases with NA
mydata = mydata[!mydata$ID %in% mydata[!complete.cases(mydata) ,]$ID, ]

library(plyr)
# counts all the IDs
cnt = count(mydata, "ID")
# Eliminates any ID that doesn't have 2 observations
mydata[mydata$ID %in% cnt[cnt$freq == 2, ]$ID, ]

  ID time value
1  1    1     7
2  1    2     5
3  2    1     9
4  2    2     2