R - 如果向量中的任何字符串出现在几列中的任何一列中，则返回布尔值

Question

我有一个大数据框，其中每一行都表示入院。每次入院时在第 5 至 24 列中最多附有 20 个诊断代码。

Col1   Col2   Col3   Col4   Diag_1  Diag_2  Diag_3 ... Diag_20
data   data   data   data   J123    F456    H789       E468
data   data   data   data   T452    NA      NA         NA

另外，我有一个长度为 136 的向量 (risk_codes)，所有字符串。这些字符串是风险代码，可能类似于截断的诊断代码（例如，J12 可以，F4 可以，H798 不行）。

如果任何风险代码与任何诊断代码相似，我希望在数据框中添加一列返回 1。我不需要知道有多少，至少有一个。

到目前为止，与其他尝试相比，我尝试了以下最成功的方法：

for (in in 1:length(risk_codes){
    df$newcol <- apply(df,1,function(x) sum(grepl(risk_codes[i], x[c(5:24)])))
}

它适用于单个字符串，并用 0 表示没有相似的代码，用 1 表示相似的代码，但是当检查第二个代码时，所有内容都会被覆盖，依此类推，在 risk_codes 向量的 136 个元素上.

有什么想法吗？对每一行每一列的每一个 risk_code 运行一个循环是不可行的。

解决方案如下所示

Col1   Col2   Col3   Col4   Diag_1  Diag_2  Diag_3 ... Diag_20   newcol
data   data   data   data   J123    F456    H789       E468      1
data   data   data   data   T452    NA      NA         NA        0

例如，如果我的 risk_codes 包含 J12、F4、T543。

Answer 1

我们希望一次应用带有所有 risk_code 的 grepl。所以我们一次得到每行一个结果。我们可以使用sapply 和any 来做到这一点。

所以，我们可以去掉 for 循环，你的代码变成这样：

my_df <- read.table(text="Col1   Col2   Col3   Col4   Diag_1  Diag_2  Diag_3  Diag_20
data   data   data   data   J123    F456    H789       E468
data   data   data   data   T452    NA      NA         NA", header=TRUE)

risk_codes <- c("F456", "XXX") # test codes

my_df$newcol <- apply(my_df,1,function(x) 
                                  any(sapply(risk_codes, 
                                              function(codes) grepl(codes,
                                                              x[c(5:24)]))))

结果是一个逻辑向量。

如果您仍想使用 1 和 0 而不是 TRUE/FALSE，您只需完成：

my_df$new_col <- ifelse(my_df$newcol, 1, 0)

结果将是：

> my_df
  Col1 Col2 Col3 Col4 Diag_1 Diag_2 Diag_3 Diag_20 newcol
1 data data data data   J123   F456   H789    E468      1
2 data data data data   T452   <NA>   <NA>    <NA>      0