如何按POT分组从医学文本段落中提取指定术语？

先构造一份可复现的示例数据，方便你对照调试：

library(dplyr)
library(stringr)

# 模拟含POT分组和医学描述的数据集
df <- tibble(
  POT_group = c("POT1", "POT1", "POT2", "POT2", "POT3"),
  description = c(
    "Examination of stomach and antrum shows mild inflammation",
    "Incisura appears normal; stomach mucosa intact",
    "Antrum has ulcerative changes; no issues in incisura",
    "Stomach distended, antrum hyperemic",
    "Incisura with scarring, stomach wall thickened"
  )
)

核心处理步骤 #

先定义要提取的目标术语，再结合dplyr的分组聚合功能，把每个POT分组下的术语整理到新列：

# 目标术语集合
target_terms <- c("stomach", "antrum", "incisura")

# 提取+分组聚合流程
result_df <- df %>%
  # 从每行描述中提取所有目标术语，生成列表列
  mutate(extracted_terms = str_extract_all(description, regex(paste(target_terms, collapse = "|"), ignore_case = TRUE))) %>%
  # 按POT分组，合并组内所有术语、去重、统一大小写
  group_by(POT_group) %>%
  summarise(
    # 两种输出格式二选一：
    # 1. 保留为列表格式（适合后续进一步处理）
    grouped_terms = list(unique(tolower(unlist(extracted_terms)))),
    # 2. 转为逗号分隔的字符串（适合直接查看）
    # grouped_terms = str_c(unique(tolower(unlist(extracted_terms))), collapse = ", ")
  ) %>%
  ungroup()

关联回原数据（可选） #

如果需要让原数据的每一行都带上所属POT分组的术语集合，用left_join关联即可：

final_df <- df %>%
  left_join(result_df, by = "POT_group")

关键说明 #

• 用regex(..., ignore_case = TRUE)确保不区分术语大小写（比如提取"Stomach"和"stomach"都算同一个）；
• tolower统一术语格式，避免大小写差异导致的重复项；
• unique自动去除同一分组内重复出现的术语，保证结果简洁。

内容的提问来源于stack exchange，提问作者Sebastian Zeki