在几列中选择符合条件的行

Question

我有一个包含超过 200 万行和几列的数据集。有些列是医院代码，对应于每位患者在住院期间的所有状况。我需要为每个条件执行一些摘要，因此我正在尝试创建一个数据集，其中包含有关感兴趣的单个条件的信息。

代码有 5 位，但有时我想选择以三位开头的代码（其余两位无关紧要），例如，我希望每一行的代码在所有列中都以 401 开头包含这些代码。小例子：

id dx_1 dx_2 dx_3 dx_n
1  401  
2  2500 4011
3  18524

我想要 id 1 和 2。我尝试了一些方法，但出现错误并且速度很慢。任何指针或建议都是最受欢迎的。如果有任何不清楚的地方，我会尽力提供更多信息。

final_DB[apply(grep(paste("^", i, sep=""), final_DB[,10:29]), 1, any),]

i 对应于我想要的数字，所以在这种情况下 i <- 401 和第 10 到 29 列是此代码可能所在的所有列。

Answer 1

一个选项是filter_at 来选择感兴趣的列，检查任何变量是否在开头有substr, 401 以过滤行

library(dplyr)
df1 %>%
    filter_at(vars(starts_with("dx")), any_vars(substr(., 1, 3) == '401'))
#    id dx_1 dx_2 dx_3 dx_n
#1  1  401   NA   NA   NA
#2  2 2500 4011   NA   NA

---

或者使用base R，遍历感兴趣的列（在这种情况下，除了第一列之外的所有列），使用grepl并检查pattern“^401”是否存在 - 返回一个list 的逻辑 vectors，我们将 Reduce 与 | 合并为单个逻辑 vector，使用它来子集数据行

df1[Reduce(`|`, lapply(df1[-1], grepl, pattern = "^401")), ]

---

关于 OP 帖子中的问题

final_DB[apply(grep(paste("^", i, sep=""), final_DB[,10:29]), 1, any),]

这里grep 应用于data.frame 而不是vector，grep 应用于vector/matrices。为了更正它，我们遍历行（虽然效率很低 - 只是为了更正代码）

i1 <- apply(final_DB[, 10:29], 1, function(x) any(grepl(paste("^", i, sep=""), x)))

数据

df1 <- structure(list(id = 1:3, dx_1 = c(401L, 2500L, 18524L), dx_2 = c(NA, 
 4011L, NA), dx_3 = c(NA, NA, NA), dx_n = c(NA, NA, NA)), 
 class = "data.frame", row.names = c(NA, -3L))

Answer 2

我将使用mtcars 来演示一种方法（在基础 R 中）。 （顺便说一句：我不清楚你的数据是character 还是numeric，但这没关系：grep* 函数会很高兴地转换为character 来查找东西，如grepl("^123", 122:124) .. . 虽然浮点正则表达式显然应该使用grain-of-salt。）

假设我们想要以 20 到 25 开头的每一行：

mt <- mtcars[1:10, 1:7]
sapply(mt, grepl, pattern = "^2[0-5]")
#         mpg   cyl  disp    hp  drat    wt  qsec
#  [1,]  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
#  [2,]  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
#  [3,]  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
#  [4,]  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE
#  [5,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#  [6,] FALSE FALSE  TRUE FALSE FALSE FALSE  TRUE
#  [7,] FALSE FALSE FALSE  TRUE FALSE FALSE FALSE
#  [8,]  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE
#  [9,]  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE
# [10,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE

突出显示它们是什么：

mt
#                    mpg   cyl    disp    hp   drat      wt    qsec
# Mazda RX4        *21.0*    6   160.0   110   3.90   2.620   16.46
# Mazda RX4 Wag    *21.0*    6   160.0   110   3.90   2.875   17.02
# Datsun 710       *22.8*    4   108.0    93   3.85   2.320   18.61
# Hornet 4 Drive   *21.4*    6  *258.0*  110   3.08   3.215   19.44
# Hornet Sportabout 18.7     8   360.0   175   3.15   3.440   17.02
# Valiant           18.1     6  *225.0*  105   2.76   3.460  *20.22*
# Duster 360        14.3     8   360.0  *245*  3.21   3.570   15.84
# Merc 240D        *24.4*    4   146.7    62   3.69   3.190  *20.00*
# Merc 230         *22.8*    4   140.8    95   3.92   3.150  *22.90*
# Merc 280          19.2     6   167.6   123   3.92   3.440   18.30

现在使用这个：

mt[ rowSums(sapply(mt, grepl, pattern = "^2[0-5]")) > 0, ]
#                 mpg cyl  disp  hp drat    wt  qsec
# Mazda RX4      21.0   6 160.0 110 3.90 2.620 16.46
# Mazda RX4 Wag  21.0   6 160.0 110 3.90 2.875 17.02
# Datsun 710     22.8   4 108.0  93 3.85 2.320 18.61
# Hornet 4 Drive 21.4   6 258.0 110 3.08 3.215 19.44
# Valiant        18.1   6 225.0 105 2.76 3.460 20.22
# Duster 360     14.3   8 360.0 245 3.21 3.570 15.84
# Merc 240D      24.4   4 146.7  62 3.69 3.190 20.00
# Merc 230       22.8   4 140.8  95 3.92 3.150 22.90

如果您只需要检查一组特定的列，请将列选择添加到mt 中的sapply：

mt[ rowSums(sapply(mt[,c(1,4,7)], grepl, pattern = "^2[0-5]")) > 0, ]
#                 mpg cyl  disp  hp drat    wt  qsec
# Mazda RX4      21.0   6 160.0 110 3.90 2.620 16.46
# Mazda RX4 Wag  21.0   6 160.0 110 3.90 2.875 17.02
# Datsun 710     22.8   4 108.0  93 3.85 2.320 18.61
# Hornet 4 Drive 21.4   6 258.0 110 3.08 3.215 19.44
# Valiant        18.1   6 225.0 105 2.76 3.460 20.22
# Duster 360     14.3   8 360.0 245 3.21 3.570 15.84
# Merc 240D      24.4   4 146.7  62 3.69 3.190 20.00
# Merc 230       22.8   4 140.8  95 3.92 3.150 22.90