Langt ↔︎ bredt format

Få ét udtræk ned til én række per person - med group_by() + slice() eller pivot

Published

July 2, 2026

Før du kan koble dine udtræk sammen (Kobl udtræk sammen), skal hvert udtræk være i bredt format med én række per person. Registrene du trækker fra er næsten altid i langt format med mange rækker per person. Denne side forklarer forskellen og viser de to måder, du former et udtræk om på: group_by() + slice() og pivot_wider() / pivot_longer().

Note

Kodeeksemplerne bruger generiske stier og variabelnavne. Tilpas til dit projekts mappestruktur og kolonnenavne.

Bredt vs. langt format

Forestil dig tre personer med målinger af vægt ved to tidspunkter.

Bredt (wide) format - én række per person, én kolonne per tidspunkt:

pnr vaegt_baseline vaegt_6mdr
001 120 95
002 105 88
003 98 80

Langt (long) format - én række per observation, én kolonne til tidspunkt og én til værdi:

pnr tidspunkt vaegt
001 baseline 120
001 6mdr 95
002 baseline 105
002 6mdr 88
003 baseline 98
003 6mdr 80

Begge formater indeholder de samme oplysninger - de er bare arrangeret forskelligt.

Hvor er der hvilke formater?

Register Format Hvorfor
BEF Langt Én række per person per snapshot - kvartalsvis siden 2008, ellers årligt
LPR (lpr_adm + lpr_diag) Langt Én række per diagnose per kontakt - en indlæggelse kan have 10 diagnoser
LMDB Langt Én række per ekspederet recept - samme person kan have hundredvis
DODSAARS Bredt Én række per afdød person - allerede én-per-person
Dit analysedatasæt Bredt Én række per person - én kolonne per kovariat

Registre er oftest i langt format. Dit analysedatasæt skal typisk være i bredt format.

To måder at få én række per person

Det afgørende valg er, hvad du vil have ud af det lange register:

Du vil have… Brug Resultat
Én repræsentativ værdi per person (nyeste snapshot, første hændelse, tidligste dato) group_by() + slice() Én række per person, samme kolonner
Flere tidspunkter side om side som separate kolonner pivot_wider() Én række per person, én ny kolonne per tidspunkt

I registerbaseret forskning er group_by() + slice() langt det hyppigste valg - du vil som regel bare have “den nyeste” eller “den første” værdi per person. pivot_wider() bruger du, når du eksplicit vil sammenligne flere tidspunkter.

group_by() + slice() - én repræsentativ række

Mønstret er altid det samme: gruppér på pnr, sortér så den ønskede række er øverst, tag første række per gruppe.

# BEF: behold kun den nyeste post per person (BEF har ét snapshot per år)
bef_en_per_person <- bef %>%
  group_by(pnr) %>%          # gruppér: alle rækker med samme pnr behandles sammen
  arrange(desc(aar)) %>%     # sortér inden for gruppen: nyeste år øverst (desc = faldende)
  slice(1) %>%               # tag kun den første række per gruppe - dvs. det nyeste år
  ungroup()                  # VIGTIGT: frigiv gruppering efter du er færdig
Important

Husk ungroup() - altid. group_by() sætter et “grouped_df”-mærke på din data.frame, som alle efterfølgende operationer arver. Det betyder: - mutate() beregner per gruppe, ikke per hele datasæt - n() tæller rækker per gruppe, ikke i alt - summarize() giver ét resultat per gruppe

Disse fejl er svære at opdage, fordi koden kører uden fejlbeskeder og giver tilsyneladende fornuftige tal. ungroup() fjerner mærket og gør data.frame normal igen. Tommelfingerregel: afslut altid en group_by()-kæde med ungroup().

# LPR / alle_dx: find første diagnose per person (til udfaldsdefinition)
foerste_demens <- alle_dx %>%
  filter(icd3 %in% c("G30", "F00", "F01", "F02", "F03")) %>%   # kun demenskoder
  group_by(pnr) %>%              # gruppér per person
  arrange(date_contact) %>%      # ældste dato øverst (stigende - ingen desc)
  slice(1) %>%                   # første diagnose per person
  ungroup()                      # frigiv gruppering
# → klar til join: kohort %>% left_join(foerste_demens, by = "pnr")
# VNDS: find første udvandring per person (en person kan have udrejst og indrejst igen)
foerste_emigration <- vnds %>%
  filter(indud_kode == "U") %>%   # kun udrejser
  group_by(pnr) %>%
  arrange(haend_dato) %>%
  slice(1) %>%
  ungroup()

Pivots - skift mellem langt og bredt

Langt → bredt med pivot_wider()

library(tidyr)   # pivot_wider, pivot_longer

df_bredt <- df_langt %>%
  pivot_wider(
    names_from  = "tidspunkt",  # hvilken kolonne skal blive til kolonnenavne?
    values_from = "vaegt"       # hvilken kolonne indeholder værdierne?
  )
Warning

Du kan IKKE pivot_wider() en hel LPR-tabel. LPR har potentielt hundredvis af unikke ICD-koder per person - pivot_wider() ville give dig én kolonne per kode, dvs. tusindvis af kolonner og et datasæt der er umuligt at arbejde med.

I stedet bruger du mønstret fra Udtræk fra LPR: udtræk første dato for én specifik diagnosegruppe (med group_by() + slice() ovenfor), gem som extract_demens.rds, og join den som én kolonne med left_join().

Praktisk eksempel: beskæftigelsesstatus fra AKM - langt til bredt

AKM (arbejdsklassifikationsmodulet) gemmer én række per person per år - langt format. Vil du sammenligne beskæftigelsesstatus ved baseline og opfølgning side om side, kan du pivotere:

#=====================================================
# AKM: langt -> bredt (beskæftigelsesstatus per år)
#=====================================================
library(dplyr)   # filter, mutate
library(tidyr)   # pivot_wider

# AKM i langt format - to år per person:
akm_langt <- data.frame(
  pnr   = c("001", "001", "002", "002", "003", "003"),
  aar   = c(2015, 2020, 2015, 2020, 2015, 2020),
  socio = c(110, 110, 210, 310, 150, 150)   # beskæftigelseskategorier fra AKM (socio13)
)

# Konverter til bredt - én kolonne per år:
akm_bredt <- akm_langt %>%
  pivot_wider(
    names_from   = aar,
    values_from  = socio,
    names_prefix = "socio_"   # giver kolonner: socio_2015, socio_2020
  )

# Resultat:
#   pnr   socio_2015  socio_2020
#   001          110         110
#   002          210         310
#   003          150         150

I praksis vil du typisk ikke pivotere AKM - du filtrerer til ét specifikt år med filter(aar == index_aar) og bruger group_by() + slice() ovenfor. Pivot er relevant, når du eksplicit vil have to tidspunkter side om side i analysen.

Bredt → langt med pivot_longer()

df_langt <- df_bredt %>%
  pivot_longer(
    cols      = c(vaegt_baseline, vaegt_6mdr),  # kolonner der skal "foldes ind"
    names_to  = "tidspunkt",                    # navn på den nye tidspunkt-kolonne
    values_to = "vaegt"                         # navn på den nye værdi-kolonne
  )

Næste skridt

Når hvert udtræk er nede på én række per person, kobler du dem sammen til ét analyseklart datasæt:

→ Kobl udtræk sammen

Se også

TipLæs mere

Generel uddybning i The Epidemiologist R Handbook (på engelsk):

Back to top