如何从多行ICD编码数据中提取虚拟变量（Dummy Variables）？

我有大量以分号分隔的个体特征数据，每行结构如下（示例为合成数据）：

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

注：每行的“列数”不固定。

需要提取每个ICD编码作为虚拟变量，用1/0标记个体是否存在对应编码，最终转换为宽格式表格或R DataFrame。

方法一：tidyverse工具链（推荐，简便高效） #

使用tidyr和dplyr可以快速完成格式转换，代码简洁易读：

1. 加载依赖包

library(tidyverse)

2. 读取数据
   如果是从文件读取：

# 处理分号分隔、可变列数的文本数据，自动去除多余空格
df_raw <- read_delim("your_data_path.txt", delim = ";", col_names = TRUE, trim_ws = TRUE)

如果用示例数据手动构造：

df_raw <- tibble(
  id = c(1, 2, 3),
  ICD_Codes = list(
    c("F10.10", "F11.21", "F31.81"),
    c("G89.29", "M54.5", "F31.4", "F11.21", "F17.200", "F43.10", "Z72.0"),
    c("F14.10", "F17.200", "F31.81", "F31.32", "F10.21")
  )
)

3. 转换为目标格式

df_result <- df_raw %>%
  unnest_longer(ICD_Codes) %>%  # 将每行的ICD编码拆分为单独行
  mutate(flag = 1) %>%          # 标记该编码存在
  pivot_wider(                  # 转换为宽格式，缺失值填充0
    names_from = ICD_Codes,
    values_from = flag,
    values_fill = 0
  )

运行后df_result即为所需的虚拟变量格式DataFrame。

方法二：Base R实现（无需额外包） #

如果不想加载第三方包，可通过基础R函数完成：

1. 读取并解析数据

# 读取文本行
raw_lines <- readLines("your_data_path.txt")
# 提取表头
header <- strsplit(raw_lines[1], ";")[[1]]
# 处理数据行
data_lines <- raw_lines[-1]

parsed_data <- lapply(data_lines, function(line) {
  parts <- strsplit(trimws(line), ";")[[1]]
  list(id = as.integer(parts[1]), codes = trimws(parts[-1]))
})

2. 生成虚拟变量矩阵

# 获取所有唯一ICD编码
all_codes <- unique(unlist(lapply(parsed_data, function(x) x$codes)))

# 初始化结果DataFrame
df_result_base <- data.frame(
  id = sapply(parsed_data, function(x) x$id),
  matrix(0, nrow = length(parsed_data), ncol = length(all_codes), dimnames = list(NULL, all_codes))
)

# 填充存在编码的标记值1
for (i in seq_along(parsed_data)) {
  codes <- parsed_data[[i]]$codes
  df_result_base[i, codes] <- 1
}

两种方法生成的结果均与目标格式一致，以tidyverse方法的输出为例：

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

内容的提问来源于stack exchange，提问作者wes