下标界错误数据表

Question

我有一个简单的数据框架如下：

 hai_dispense_number hai_atc date_of_claim hai_age
1                  tom    A10A    2011-11-01      42
2                  tom    A10B    2011-11-01      42
3                  tom    G10R    2011-11-01      42
4                  tom    A10A    2012-02-02      42
5                  tom    A10A    2012-04-03      42
6                 mary    A10A    2012-02-02      36
7                 mary    A10A    2012-03-02      36
8                 mary    G123    2012-03-02      36
9                 mary    E123    2012-05-02      36
10                mary    T123    2012-07-02      36
11                mary    A10A    2012-08-02      43
12                 sue   GR123    2012-03-02      43
13                 sue   GR123    2012-03-08      43
14                 sue   GR123    2012-09-03      43
15                 sue   GR123    2012-10-01      43
16                 sue   GR123    2012-03-02      43
17                 pat    A10A    2012-01-02      52
18                 pat   GR123    2011-11-12      52
19                 pat    A10A    2012-03-03      52
20                 pat   GR123    2012-01-01      52
21                 pat    A10A    2012-05-06      52

我想隔离那些只在2012-01-01，而不是2011年拥有A10A代码的人。在上面的dataframe中，有一些人在任何阶段都没有代码A10A，所以我也想摆脱它们。最后，我只想得到帕特和玛丽的数据。我就是这样做的：

步骤1:指定“索引日期”。换句话说，2012年的第一次约会，有人得到了代码A10A

dt2<- data.table(dff,key=c('hai_dispense_number','date_of_claim'))
dt2[,date_of_claim := as.Date(date_of_claim)]
dt2[grepl('^A10A*?', as.character(dt2$hai_atc))& between(date_of_claim,as.Date("2012-01-01"),as.Date("2012-12-31")),
    index := as.character(min(date_of_claim))
    ,   by=c('hai_dispense_number','hai_atc')]  #
dt2$index<-as.Date(dt2$index, origin='1970-01-01')
dt2$hai_atc<-as.character(dt2$hai_atc)

步骤2:创建索引日期为不是A10A或在2012-01年之前发生的行创建一些NA值。我需要用每个人的唯一索引日期来填写这个NA值。这段代码通常正常工作，但出于对这些数据的原因，我一直收到一个错误。

dt2[, index := index[!is.na(index)][[1]], by=hai_dispense_number]  ##gives the index date for each person to each of their individual rows of data

Error in index[!is.na(index)][[1]] : subscript out of bounds

步骤3、4和5:我通常可以从这里开始，找出2011年谁有代码A10A，然后将它们排除在外。但是我的进程被上面的错误打断了。

我查看了这个页面：Subscript out of bounds - general definition and solution?，并尝试运行他们推荐的测试:但我似乎没有额外的变量索引行。也许我没有好好测试。

如果有人能弄清楚为什么会发生上述情况，我将非常感激。谢谢!

Answer 1

通过使用any函数，您可以更容易地实现您想要的结果。使用any(hai_atc=="A10A")，您可以为所有拥有A10A的人创建一个逻辑向量，而使用!any(hai_atc=="A10A" & year(date_of_claim) == 2011)，您可以为那些在2011年拥有该代码的人将该向量更新为FALSE。使用[idx==TRUE]，只需过滤所需的情况，而使用[,idx:=NULL]，则可以删除idx列：

newDT <- DT[, idx := any(hai_atc=="A10A") & !any(hai_atc=="A10A" & year(date_of_claim) == 2011),
            by = hai_dispense_number
            ][idx==TRUE][,idx:=NULL]

这导致：

> newDT
    hai_dispense_number hai_atc date_of_claim hai_age
 1:                mary    A10A    2012-02-02      36
 2:                mary    A10A    2012-03-02      36
 3:                mary    G123    2012-03-02      36
 4:                mary    E123    2012-05-02      36
 5:                mary    T123    2012-07-02      36
 6:                mary    A10A    2012-08-02      43
 7:                 pat    A10A    2012-01-02      52
 8:                 pat   GR123    2011-11-12      52
 9:                 pat    A10A    2012-03-03      52
10:                 pat   GR123    2012-01-01      52
11:                 pat    A10A    2012-05-06      52

针对您的评论:您可能希望使用单个方括号(即：[ ])，比如dt2[, index := index[!is.na(index)][1], by=hai_dispense_number]。此外，您的代码可以简化为：

dt2 <- data.table(mydf,key=c('hai_dispense_number','date_of_claim'))
dt2[, date_of_claim := as.Date(date_of_claim)]
dt2[grepl('^A10A*?', hai_atc) & between(date_of_claim, as.Date("2012-01-01"), as.Date("2012-12-31")),
    index := min(date_of_claim), by=.(hai_dispense_number,hai_atc)]

dt2[, index := index[!is.na(index)][1], by=hai_dispense_number]

但是，这并没有给出您所描述的结果：

> dt2
    hai_dispense_number hai_atc date_of_claim hai_age      index
 1:                mary    A10A    2012-02-02      36 2012-02-02
 2:                mary    A10A    2012-03-02      36 2012-02-02
 3:                mary    G123    2012-03-02      36 2012-02-02
 4:                mary    E123    2012-05-02      36 2012-02-02
 5:                mary    T123    2012-07-02      36 2012-02-02
 6:                mary    A10A    2012-08-02      43 2012-02-02
 7:                 pat   GR123    2011-11-12      52 2012-01-02
 8:                 pat   GR123    2012-01-01      52 2012-01-02
 9:                 pat    A10A    2012-01-02      52 2012-01-02
10:                 pat    A10A    2012-03-03      52 2012-01-02
11:                 pat    A10A    2012-05-06      52 2012-01-02
12:                 sue   GR123    2012-03-02      43       <NA>
13:                 sue   GR123    2012-03-02      43       <NA>
14:                 sue   GR123    2012-03-08      43       <NA>
15:                 sue   GR123    2012-09-03      43       <NA>
16:                 sue   GR123    2012-10-01      43       <NA>
17:                 tom    A10A    2011-11-01      42 2012-02-02
18:                 tom    A10B    2011-11-01      42 2012-02-02
19:                 tom    G10R    2011-11-01      42 2012-02-02
20:                 tom    A10A    2012-02-02      42 2012-02-02
21:                 tom    A10A    2012-04-03      42 2012-02-02

您之所以没有在代码中获得预期的结果，是因为您没有排除在2011年拥有A10A的组。any函数是专门为实现您所描述的逻辑操作而设计的。

此外，通过使用any函数，您可以以一种更简单的方式实现所需的结果。这也适用于更复杂的数据集。在grepl中使用any也不是问题

newDT2 <- DT[, idx := any(grepl('^A10A*?', hai_atc)) & !any(grepl('^A10A*?', hai_atc) & year(date_of_claim) == 2011),
             by = hai_dispense_number
             ][idx==TRUE][,idx:=NULL]

得出了同样的结果：

> identical(newDT, newDT2)
[1] TRUE