在 R 中使用 ifelse 和 grepl 进行变异，并使用匹配的字符串创建新列答案

【问题标题】：mutate with ifelse and grepl in R and create new column with matched string在 R 中使用 ifelse 和 grepl 进行变异，并使用匹配的字符串创建新列
【发布时间】：2019-02-24 21:24:19
【问题描述】：

我正在尝试使用 grepl（部分匹配）和 ifelse 使用 mutate 创建新列。我有带有单位的药物名称列表，我想用这些单位创建新列。这是我的药物名称样本，

 Description
    ZOLEDRONIC ACID INF 4MG/5ML (5ML)
    CALCICHEW D3 FORTE CHEWABLE TABS
    DAYCASE DRUGS
    AKYNZEO (NETUPITANT/PALONOSETRON) HARD CAPS 300MG/0.5MG
    CYCLOPHOSPHAMIDE INF 1MG/ML
    EPIRUBICIN INJ 1MG/ML
    DAYCASE DRUGS
    DAYCASE DRUGS
    ALOXI (PALONOSETRON) INJ 250MCG
    PACLITAXEL INF 1MG/ML
    DEXAMETHASONE VIAL 6.6MG/2ML - USE PSD742
    PACLITAXEL INF 1MG/ML
    RAMUCIRUMAB INF 0.1MG - 100MG

这是我尝试过的代码，

units <- c("TABS","INF","SYR","CAPS","INJ","VIAL","SOL","POWDER","GEL","CREAM","LOTION","AMP"," SINGLEJECT","PFS")

drug_name <- drug_name %>% mutate(unit =  grepl(paste(units,collapse = "|"),Description))

当前输出是这样的，

Description                                 unit
ZOLEDRONIC ACID INF 4MG/5ML (5ML)           TRUE
    CALCICHEW D3 FORTE CHEWABLE TABS        TRUE
    DAYCASE DRUGS                           FALSE
    AKYNZEO (NETUPITANT/PALONOSETRON) CAPS  TRUE
    CYCLOPHOSPHAMIDE INF 1MG/ML             TRUE
    EPIRUBICIN INJ 1MG/ML                   TRUE
    DAYCASE DRUGS                           FALSE
    DAYCASE DRUGS                           FALSE

我不希望单位为真/假，而是应该指定确切的单位，像这样，

        ZOLEDRONIC ACID INF 4MG/5ML (5ML)       INF
        CALCICHEW D3 FORTE CHEWABLE TABS        TABS

我正在尝试重新编码，但不知道该怎么做。此外，我需要将药物名称 (4MG/5ML) 中的指标提取到单独的列中。我可以在另一个查询中执行此操作，但需要使用单元进行单个查询。不是所有的药物都有这种形式，有些像这样--> 01.MG-100MG, 250MCG。

            ZOLEDRONIC ACID INF 4MG/5ML (5ML)       INF    4MG/5ML
            CALCICHEW D3 FORTE CHEWABLE TABS        TABS   NA
            CYCLOPHOSPHAMIDE INF 1MG/ML             INF    1MG/ML
            ALOXI (PALONOSETRON) INJ 250MCG         INF    250MCG

谁能帮我解决这个问题？

【问题讨论】：

试试drug_name <- drug_name %>% mutate(unit = sub(paste0("^(?:.*(", paste(units,collapse = "|"), ").*|.*)$"), "\\1", Description))
@WiktorStribiżew 谢谢这对我有用，我正在尝试从药物名称中提取指标，我可以将其作为单独的查询进行，但我试图单独进行。
你有一些答案，如果他们没有帮助，请告诉我。

标签： r regex if-statement dplyr grepl

【解决方案1】：

tidyverse 解决方案

pattern = paste( units, collapse = "|" )

df %>% mutate(medicine = stringr::str_split( Description, pattern, simplify = TRUE )[,1],
              medicine = stringr::str_trim( medicine ),
              unit =  stringr::str_extract( Description, pattern ),
              volume = stringr::str_split( Description, pattern, simplify = TRUE )[,2],
              volume = ifelse( volume == "", NA, volume ),
              volume = stringr::str_trim( volume ) ) %>%
  select( -Description )


#                                  medicine unit                 volume
# 1                         ZOLEDRONIC ACID  INF          4MG/5ML (5ML)
# 2             CALCICHEW D3 FORTE CHEWABLE TABS                   <NA>
# 3                           DAYCASE DRUGS <NA>                   <NA>
# 4  AKYNZEO (NETUPITANT/PALONOSETRON) HARD CAPS            300MG/0.5MG
# 5                        CYCLOPHOSPHAMIDE  INF                 1MG/ML
# 6                              EPIRUBICIN  INJ                 1MG/ML
# 7                           DAYCASE DRUGS <NA>                   <NA>
# 8                           DAYCASE DRUGS <NA>                   <NA>
# 9                    ALOXI (PALONOSETRON)  INJ                 250MCG
# 10                             PACLITAXEL  INF                 1MG/ML
# 11                          DEXAMETHASONE VIAL 6.6MG/2ML - USE PSD742
# 12                             PACLITAXEL  INF                 1MG/ML
# 13                            RAMUCIRUMAB  INF          0.1MG - 100MG

【讨论】：

我可以整齐的拿到药物和单位，但是一些与单位不匹配的药物确实有体积例如：TRASTUZUMAB EMTANSINE 0.01MG-100MG 这种情况我想做什么？我所做的就是创建另一个查询来解决这个问题。
@Sharmi 你可以用grep 作为Description 中的第一个数字，然后从这个位置提取字符串的其余部分直到结尾...取决于其余数据的样子...
对不起，我在药物提取中遇到问题，当它与 SOL 之类的单元检查时，它会提取药物名称，例如： SOLU-CORTEF (HYDROCORTISONE) VIAL 100MG 在这里它捕获 SOL 而不是 VIAL 和 PREDNISOLONE TABS 5MG here SOL in mid_drugname，最后更新体积和药名失败。
@Sharmi 那么你的正则表达式模式中需要单词边界\b（或者只是普通的ols空格）
如果您使用tidyverse，那么您应该始终使用dplyr::if_else，副base::ifelse：它比基础更一致、可靠和严谨变体。（我想不出不使用if_else的理由。）

【解决方案2】：

这是使用dplyr 和purrr 的一种方法。

library(dplyr)
library(purrr)
drug_name <- data_frame(
  Description = trimws(readLines(textConnection('ZOLEDRONIC ACID INF 4MG/5ML (5ML)
    CALCICHEW D3 FORTE CHEWABLE TABS
    DAYCASE DRUGS
    AKYNZEO (NETUPITANT/PALONOSETRON) HARD CAPS 300MG/0.5MG
    CYCLOPHOSPHAMIDE INF 1MG/ML
    EPIRUBICIN INJ 1MG/ML
    DAYCASE DRUGS
    DAYCASE DRUGS
    ALOXI (PALONOSETRON) INJ 250MCG
    PACLITAXEL INF 1MG/ML
    DEXAMETHASONE VIAL 6.6MG/2ML - USE PSD742
    PACLITAXEL INF 1MG/ML
    RAMUCIRUMAB INF 0.1MG - 100MG')))
)
units <- c("TABS","INF","SYR","CAPS","INJ","VIAL","SOL","POWDER",
           "GEL","CREAM","LOTION","AMP","SINGLEJECT","PFS")
units1 <- sprintf("\\b(%s)\\b", paste(units, collapse = "|"))

首先，演练和概念验证：

m <- regmatches(drug_name$Description,
                gregexpr(paste0(units1, ".*"), drug_name$Description))
m
# [[1]]
# [1] "INF 4MG/5ML (5ML)"
# [[2]]
# [1] "TABS"
# [[3]]
# character(0)
# [[4]]
# [1] "CAPS 300MG/0.5MG"
# [[5]]
# [1] "INF 1MG/ML"
# [[6]]
# [1] "INJ 1MG/ML"
# [[7]]
# character(0)
# [[8]]
# character(0)
# [[9]]
# [1] "INJ 250MCG"
# [[10]]
# [1] "INF 1MG/ML"
# [[11]]
# [1] "VIAL 6.6MG/2ML - USE PSD742"
# [[12]]
# [1] "INF 1MG/ML"
# [[13]]
# [1] "INF 0.1MG - 100MG"

我用.*“得到所有关注”以找到单位的数量。这有时会比我们想要的多，但是为了在一个单元之后找到所有类似值的词，我们需要全部抓取然后过滤。

我们需要防范character(0)并理想地转换为向量，所以

fixEmpties <- function(lst, default=NA_character_)
  unlist(replace(lst, lengths(lst) == 0L, default))

虽然您可能更喜欢使用空字符串 "" 而不是 NA_character_。

为了过滤，这里有一个快速函数，它在以下每个“单词”中查找任意数字。它还允许单独的"-"，但如果它是最后一个匹配项，则将其删除。

extractAmounts <- function(s, default=NA_character_) {
  vec <- strsplit(s, "\\s+")[[1]][-1]
  vec2 <- which(cumall(grepl("[0-9]", vec) | vec == "-"))
  if (isTRUE(length(vec2) > 0)) {
    # remove a trailing "-" that does not result in a range
    if (vec[ tail(vec2, 1) ] == "-") vec2 <- vec2[-length(vec2)]
    return(paste(vec[vec2], collapse = " "))
  } else return(default)
}

快速获取原始单位，始终是第一个单词。

extractUnits <- function(s)
  head(strsplit(s, "\\s+")[[1]], 1)

测试：

m <- fixEmpties(m)
sapply(m, extractUnits, USE.NAMES=FALSE)
#  [1] "INF"  "TABS" NA     "CAPS" "INF"  "INJ"  NA     NA     "INJ"  "INF" 
# [11] "VIAL" "INF"  "INF" 
sapply(m, extractAmounts, USE.NAMES=FALSE)
#  [1] "4MG/5ML (5ML)" NA              NA              "300MG/0.5MG"  
#  [5] "1MG/ML"        "1MG/ML"        NA              NA             
#  [9] "250MCG"        "1MG/ML"        "6.6MG/2ML"     "1MG/ML"       
# [13] "0.1MG - 100MG"

好的，现在将其放入管道中：

drug_name %>%
  mutate(
    full = fixEmpties(regmatches(Description, gregexpr(paste0(units1, ".*"), Description))),
    unit = map_chr(full, extractUnits),
    amt = map_chr(full, extractAmounts)
  ) %>%
  select(-full)
# # A tibble: 13 x 3
#    Description                                             unit  amt          
#    <chr>                                                   <chr> <chr>        
#  1 ZOLEDRONIC ACID INF 4MG/5ML (5ML)                       INF   4MG/5ML (5ML)
#  2 CALCICHEW D3 FORTE CHEWABLE TABS                        TABS  <NA>         
#  3 DAYCASE DRUGS                                           <NA>  <NA>         
#  4 AKYNZEO (NETUPITANT/PALONOSETRON) HARD CAPS 300MG/0.5MG CAPS  300MG/0.5MG  
#  5 CYCLOPHOSPHAMIDE INF 1MG/ML                             INF   1MG/ML       
#  6 EPIRUBICIN INJ 1MG/ML                                   INJ   1MG/ML       
#  7 DAYCASE DRUGS                                           <NA>  <NA>         
#  8 DAYCASE DRUGS                                           <NA>  <NA>         
#  9 ALOXI (PALONOSETRON) INJ 250MCG                         INJ   250MCG       
# 10 PACLITAXEL INF 1MG/ML                                   INF   1MG/ML       
# 11 DEXAMETHASONE VIAL 6.6MG/2ML - USE PSD742               VIAL  6.6MG/2ML    
# 12 PACLITAXEL INF 1MG/ML                                   INF   1MG/ML       
# 13 RAMUCIRUMAB INF 0.1MG - 100MG                           INF   0.1MG - 100MG

【讨论】：

谢谢！！！您的方法与功能有所不同。我可以在我的代码中使用它:-)
我以为你只想要数量而不是像 "USE PSD742" 这样的 cmets。我是否误解了 (psd742) 的含义？
您好，我正在尝试在没有与药物匹配的单位时更改 extractamount 函数，有些只有数量而不是单位。例如：曲妥珠单抗 0.01MG-100MG
也许你需要两个正则表达式而不是一个正则表达式并拆分字符串的其余部分：一个用于units，一个用于amounts，构造类似。