从值行中提取虚拟变量

Question

我有一组相当大的分隔数据，列出了与这些合成数据类似的行中的个人特征：

id; ICD_Codes
1; F10.10; F11.21; F31.81
2; G89.29; M54.5; F31.4; F11.21; F17.200; F43.10; Z72.0
3; F14.10; F17.200; F31.81; F31.32; F10.21

（是的，每行的“列”数不同）

我想从中提取一系列虚拟代码，每个

ICD_Codes

值一个，并用给定的个人是否具有该值来填充这些虚拟变量，即：

id	F10.10	F10.21	F11.21	F14.10	F17.200	F31.32	F31.4	F31.81	F43.10	G89.29	M54.5	Z72.0
1	1	0	1	0	0	0	0	1	0	0	0	0
2	0	0	1	0	1	0	1	0	1	1	1	1
3	0	1	0	1	1	1	0	1	0	0	0	0

或者，作为 R 数据框：

df <- data.frame(id = c(1, 2, 3),
                 F10.10 = c(1, 0, 0),
                 F10.21 = c(0, 0, 1),
                 F11.21 = c(1, 1, 0),
                 F14.10 = c(0, 0, 1),
                 F17.200 = c(0, 1, 1),
                 F31.32 = c(0, 0, 1),
                 F31.4 = c(0, 1, 0),
                 F31.81 = c(1, 0, 1),
                 F43.10 = c(0, 1, 0),
                 G89.29 = c(0, 1, 0),
                 M54.5 = c(0, 1, 0),
                 Z72.0 = c(0, 1, 0)
                 )

我想不出简单的方法来做到这一点（任何地方，包括在 R 中），但肯定有办法！

如果有任何帮助，我将不胜感激。

Answer 1

假设您还没有将数据导入 R，我们可以使用

read.table

将数据作为单列读取（选择一个您确定不会出现在数据中的随机

sep

符号）。

然后将

id

和

ICD_Codes

分成两列，并使用

fastDummies::dummy_cols()

创建虚拟变量。最后

rename

删除列前缀以适应您想要的输出。

library(dplyr)
library(tidyr)
library(fastDummies)

df <- read.table(text = "id; ICD_Codes
1; F10.10; F11.21; F31.81
2; G89.29; M54.5; F31.4; F11.21; F17.200; F43.10; Z72.0
3; F14.10; F17.200; F31.81; F31.32; F10.21", sep = "@", header = T)

df %>% 
  separate_wider_delim("id..ICD_Codes", names = c("id", "ICD_Codes"), delim = "; ", too_many = "merge") %>% 
  dummy_cols("ICD_Codes", remove_selected_columns = T, split = ";") %>% 
  rename_with(~sub("ICD_Codes_", "", .x))

# A tibble: 3 × 13
  id    F10.10 F11.21 F31.81 F14.10 F17.200 F31.32 F10.21 G89.29 M54.5 F31.4 F43.10 Z72.0
  <chr>  <int>  <int>  <int>  <int>   <int>  <int>  <int>  <int> <int> <int>  <int> <int>
1 1          1      1      1      0       0      0      0      0     0     0      0     0
2 2          0      1      0      0       1      0      0      1     1     1      1     1
3 3          0      0      1      1       1      1      1      0     0     0      0     0

Answer 2

无需使用额外的包，您可以使用

readLines

和

strsplit

。然后使用

grepl

交叉

outer

。

read <- readLines(textConnection('id; ICD_Codes
1; F10.10; F11.21; F31.81
2; G89.29; M54.5; F31.4; F11.21; F17.200; F43.10; Z72.0
3; F14.10; F17.200; F31.81; F31.32; F10.21'))

read <- lapply(read, \(x) el(strsplit(x, split=';\\s*')))
icd <- sort(unique(unlist(lapply(read[-1], \(x) x[-1]))))
o <- t(outer(icd, read[-1], Vectorize(\(sprintf('^%s$', x), y) any(grepl(x, y)))))
data.frame(id=sapply(read[-1], `[`, 1), `colnames<-`(+o, icd))
#   id F10.10 F10.21 F11.21 F14.10 F17.200 F31.32 F31.4 F31.81 F43.10 G89.29 M54.5 Z72.0
# 1  1      1      0      1      0       0      0     0      1      0      0     0     0
# 2  2      0      0      1      0       1      0     1      0      1      1     1     1
# 3  3      0      1      0      1       1      1     0      1      0      0     0     0

注意： 对于您的真实数据，您可能需要使用

readLines(<path>)

.

证据表明它比 tidyverse 解决方案快得多：

# Unit: microseconds
#     expr       min         lq      mean    median        uq       max neval cld
#   jay.sf   965.285   994.9295  1264.239  1089.907  1124.969  16915.81   100  a 
# benson23 17309.835 17533.8145 20036.727 17822.965 18763.764 159236.18   100   b

Answer 3

只需使用

mtabulate

library(qdapTools)
cbind(id = sub(";.*", "", df[[1]]),
   mtabulate(strsplit(sub("^\\d+;\\s+", "", df[[1]]), ";\\s*")))

-输出

   id F10.10 F10.21 F11.21 F14.10 F17.200 F31.32 F31.4 F31.81 F43.10 G89.29 M54.5 Z72.0
1  1      1      0      1      0       0      0     0      1      0      0     0     0
2  2      0      0      1      0       1      0     1      0      1      1     1     1
3  3      0      1      0      1       1      1     0      1      0      0     0     0