问题描述
问题
我改变了我的问题的表述,因为似乎不够清晰。
所以,我们有数千家医院。他们的病人年龄在0到100岁之间。对于每个年龄,他们都有一定数量的患者,例如Hospital1 有 10 个 1 岁的患者,12 个 2 岁的患者,0 个 100 岁的患者等等。
以上数据集是一个小型简化示例,我的实际数据集包含数千家医院和数百万患者的数据。
寻求结果
我想知道每家医院的患者年龄中位数。
目前的解决方案
展开表格,使每个患者的年龄有一个单独的行,然后取中位数。这将导致我的表有数亿行,这是不可取的。
library(dplyr)
## table
hospital <- c(rep(1:3,each = 10))
patient_age <- c(rep(seq(0,90,by = 10),3))
number_patients <- round(runif(30,100),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)
解决方法
编辑:
以下是按医院计算平均患者年龄的方法:
df %>%
group_by(hospital) %>%
summarise(
mean_age = sum(patient_age*number_patients)/sum(number_patients)
)
或者简单地说:
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]
)
这里,我们对其中间值 sort(rep(patient_age,number_patients))
进行子集化,即 length(rep(patient_age,number_patients))/2
编辑 2:
或者简单地说:
df %>%
group_by(hospital) %>%
summarise(
median_age = median(rep(patient_age,number_patients))
)