Question

我有一个死亡率数据帧，其中的字符向量（rac）每行包含不同的字符串。这些字符串标记了导致死亡的原因。有时，这些字符串之间有一个多余的空格（请参见id = 4, 5, 8）。有时它们恰好具有3个字符，而在另一些时候则具有4个字符。我要做的是逐行扫描并创建一个新列，以标记是否在rac中看到了特定的死亡原因。这是数据。

tdf <- structure(list(id = 1:10, rac = c("I250", "K922 R628", 
"C259 T149 X599", "K729 C80  J80  N288", "X72  S019", "C189", 
"C259 A419 K746 N390", "C349 C787 C793 C795 F179 I10  J449", 
"C349 J449 R628", "F03  N189 R628")), row.names = c(NA, -10L), 
class = "data.frame")

以id = 8为例，在这里我可以轻松地创建一个名为cause_c的标志，该标志会在看到类似以下代码段的内容时记录C793或C795的情况。

causex <- c("\\bC793|\\bC795")
tdf %>%
  mutate(
    cause_C = case_when(
      str_detect(rac, causex) ~ 1,
      TRUE ~ 0)
  ) -> tdf

这似乎可行，但是我希望能够在矢量仅显示3位数字的情况下进行扫描，例如C79，而在发生这种情况时，cause_C应该= 1。这也是创建标记的一种更有效的方法，因为这样我就不必拼出所有可能的代码版本（C793，C794，C79等），并且因为我有多种原因可以遍历和标记大约16种可能的死亡原因。但是，如果我尝试以下id = 8，则最终将全为0。

tdf %>%
  mutate(
    cause_C = case_when(
      str_sub(rac, 1, 3) == "C79" ~ 1,
      TRUE ~ 0)
  ) -> tdf

ifelse（）\ case_when（）解决方案缺少我一些东西，如果有人发现我的错误和解决方法，我将非常感激！哦，base-R，data.table（），dplyr（），所有解决方案都是受欢迎的，因为鉴于数据帧消耗的数据超过1.5 gig，我也很高兴看到速度比较。

谢谢！

阿尼

Answer 1

如果要使用data.table，是否考虑按诊断代码拆分行，然后使用grepl匹配所需诊断的向量？

library(data.table)

causex <- c("C793", "C795")

search_causex <- paste(causex, collapse = "|")

setDT(tdf, key = "rac")
tdf[, list(rac = unlist(strsplit(rac, " "))), by = id][
  , result := grepl(search_causex, rac)][
    result == TRUE]

如果要按较少的字符进行搜索，可以将其用于搜索模式：

search_causex <- "C79(.+)"

一种tidyverse类似的方法可能是：

library(tidyverse)

tdf %>%
  separate_rows(rac, sep = " ") %>%
  filter(grepl(search_causex, rac) == TRUE)

ifelse / case_when在字符向量中包含看似棘手的字符串时

1 个答案: