R：根据多个其他列中的匹配字符串创建单个新列

Question

我有一个数据集，其中有大量表示过程代码的字符串列变量。还有另一列变量表示编码格式(有些是ICD9，有些是其他更神秘的格式)。每次观察都是一个病人。我需要:

1. 搜索每个带有特定前缀的变量名
2. 确保正在使用的代码是ICD9代码（由“02”表示）。
3. 查找这些代码中哪些与特定字符串的前3个字符匹配
4. 如果有任何变量以这三个字符开头，则创建一个新列变量=1，如果没有匹配，则创建一个新列变量=0

变量太多了，通过c（“cd1”、“cd2”…）手动创建每个变量的列表非常简单，我可能需要在不同的时间执行此操作，因此我希望尽可能使其成为通用的解决方案。

下面是一个简化的示例，其中我需要搜索的字符串以“231”开头:

ID   cd1    type1  cd2    type2  cd3    type3  cd4    type4
1    "231"  "02"   "219"  "02"   "1321" "02"  "2314"  "02"
2    "222"  "02"  
3    "123"  "142"   
4    "145"  "02"   "521"  "02"   "2313" "02"   
5    "231"  "01"

我想要的输出是：

ID   cd1    type1  cd2    type2  cd3    type3  cd4    type4   flag_var
1    "231"  "02"   "219"  "02"   "1321" "02"  "2314"  "02"    1
2    "222"  "02"                                              0
3    "123"  "142"                                             0
4    "145"  "02"   "521"  "02"   "2313" "02"                  1
5    "231"  "01"                                              0

（ID#5设置为0，因为即使cd1代码为“231”，类型1变量为“01”，因此编码格式不正确）

使用mutate和case_when，我已经在一定程度上成功地实现了这一点：

df <- df %>%
  mutate(flag_var = case_when(
    startsWith(cd1, "231") ~ 1, 
    startsWith(cd2, "231") ~ 1, 
    startsWith(cd3, "231") ~ 1, 
    startsWith(cd4, "231") ~ 1, 
    TRUE ~ 0))

正如我所说的，实际数据集有太多的变量和潜在的搜索，以上面的方式硬编码是没有意义的。我认为应该有一个很好的方法使用mutate_at或另一个dplyr函数来实现这一点，但我还没有找到。

我已经能够使用下面的代码获得一组等于1或0的新变量，但不是单个变量。然后，我可以使用rowSums对所有列求和，并检查这个值是否非零。但是它又丑又费力:

df <- df %>% mutate_at(vars(starts_with("cd")),
                       funs(testvar = ifelse(startsWith(., "231"), 1, 0)))
test_names = df %>% select(ends_with("_testvar")) %>% names()
df <- df %>% mutate(flag_var = (rowSums(.[test_names]) == 1))
df <- df %>% select(-ends_with("_testvar"))

有人有更简单的想法吗？非常感谢！

编辑:我意识到我也必须合并编码类型变量。最初的样本数据表已经过编辑，以反映这一点。

Answer 1

这里有另一个解决方案:

df$flag_var <- 1*(rowSums(substring(as.matrix(df[, 2:ncol(df)]), 1, 3) == '231') > 0)

#   ID cd1 cd2  cd3  cd4 flag_var
# 1  1 231 219 1321 2314        1
# 2  2 222                      0
# 3  3 123 142                  0
# 4  4 145 521 2313  122        1

对于更新的示例，由于cd列和type列是配对的，因此应该可以使用以下代码：

cd.cols <- grepl('^cd', colnames(df))
type.cols <- grepl('^type', colnames(df))

flag <- substring(as.matrix(df[,cd.cols]), 1, 3) == '231' & df[,type.cols] == '02'
df$flag_var <- 1 * (rowSums(flag) > 0)

# > df
#   ID cd1 type1 cd2 type2  cd3 type3  cd4 type4 flag_var
# 1  1 231    02 219    02 1321    02 2314    02        1
# 2  2 222    02                                        0
# 3  3 123   142                                        0
# 4  4 145    02 521    02 2313    02                   1
# 5  5 231    01                                        0

Answer 2

我们可以遍历列并使用grepl进行部分匹配，将向量的列表减少到单个逻辑向量并将值强制为二进制

df$flag_var <- +(Reduce(`|`, lapply(df[-1], grepl, pattern = '^231')))

df <- structure(list(ID = c("1", "2", "3", "4"), cd1 = c("231", "222", 
"123", "145"), cd2 = c("219", "", "142", "521"), cd3 = c("1321", 
 "", "", "2313"), cd4 = c("2314", "", "", "122")), row.names = c(NA, 
 -4L), class = "data.frame")

Answer 3

这可能会回答问题，或者您需要0-1作为行值吗？

library(tidyverse)

dat <- tribble(~ID,   ~cd1,      ~cd2,      ~cd3,      ~cd4,
        1,    "231",    "219",    "1321",   "2314",
        2,    "222",    ""      , ""    ,   "",
        3,    "123",    "142",    ""    ,   "",
        4,    "145",    "521",    "2313",   "122")

dat %>% 
  gather("cd_type", "code", 2:5) %>% 
  mutate(flag_var = case_when(
    startsWith(code, "231") ~ 1,
    TRUE ~ 0
  ))
#> # A tibble: 16 x 4
#>       ID cd_type code  flag_var
#>    <dbl> <chr>   <chr>    <dbl>
#>  1     1 cd1     231          1
#>  2     2 cd1     222          0
#>  3     3 cd1     123          0
#>  4     4 cd1     145          0
#>  5     1 cd2     219          0
#>  6     2 cd2     ""           0
#>  7     3 cd2     142          0
#>  8     4 cd2     521          0
#>  9     1 cd3     1321         0
#> 10     2 cd3     ""           0
#> 11     3 cd3     ""           0
#> 12     4 cd3     2313         1
#> 13     1 cd4     2314         1
#> 14     2 cd4     ""           0
#> 15     3 cd4     ""           0
#> 16     4 cd4     122          0

或者执行此操作以恢复原始宽格式

dat %>% 
  gather("cd_type", "code", 2:5) %>% 
  mutate(flag_var = case_when(
    startsWith(code, "231") ~ 1,
    TRUE ~ 0
  )) %>% 
  spread(cd_type, code) %>% 
  select(ID, cd1:cd4, flag_var)
#> # A tibble: 6 x 6
#>      ID cd1   cd2   cd3   cd4   flag_var
#>   <dbl> <chr> <chr> <chr> <chr>    <dbl>
#> 1     1 <NA>  219   1321  <NA>         0
#> 2     1 231   <NA>  <NA>  2314         1
#> 3     2 222   ""    ""    ""           0
#> 4     3 123   142   ""    ""           0
#> 5     4 145   521   <NA>  122          0
#> 6     4 <NA>  <NA>  2313  <NA>         1

^{由reprex包（v0.2.1）于2019-01-19创建}