Problem
我改变了问题的表述,因为似乎缺乏清晰度。
所以,我们有数千家医院。他们的患者年龄在 0 岁到 100 岁之间。对于每个年龄段,他们都有一定数量的患者,例如Hospital1 有 10 名 1 岁患者、12 名 2 岁患者、0 名 100 岁患者等。
上面的数据集是一个小而简化的示例,我的实际数据集包含数千家医院和数百万患者的数据。
寻求的结果
我想知道每家医院的患者年龄中位数。
到目前为止的解决方案
展开表格,使每个患者的年龄各占一行,然后取中位数。这将导致我的表有数亿行,因此是不可取的。
library(dplyr)
## table
hospital <- c(rep(1:3, each = 10))
patient_age <- c(rep(seq(0, 90, by = 10), 3))
number_patients <- round(runif(30, 0, 100),0)
df <- bind_cols(hospital, patient_age, number_patients)
colnames(df) <- c("hospital", "patient_age", "number_patients")
## my impractical solution
df1 <- filter(df, hospital == 1)
df1a <- rep(df1$patient_age, df1$number_patients)
median(df1a)
## there's no way I can repeat this for each hospital (there are 1000s)
EDIT:
以下是计算医院平均患者年龄的方法:
df %>%
group_by(hospital) %>%
summarise(
mean_age = sum(patient_age*number_patients)/sum(number_patients)
)
或者简单地:
df %>%
group_by(hospital) %>%
summarise(
mean_age = mean(rep(patient_age,number_patients))
)
这是中位数:
df %>%
group_by(hospital) %>%
summarise(
median_age = sort(rep(patient_age,number_patients))[length(rep(patient_age,number_patients))/2]
)
在这里,我们子集sort(rep(patient_age,number_patients))
其中间值,即length(rep(patient_age,number_patients))/2
EDIT 2:
或者简单地:
df %>%
group_by(hospital) %>%
summarise(
median_age = median(rep(patient_age,number_patients))
)
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)