如何用case_when基于前缀匹配为R数据框创建分类列？

针对你的需求，下面提供两种高效的实现方式，解决3位/4位编码的前缀匹配分类问题：

方法一：提取前缀后用完全匹配（高效推荐） #

你的编码只有3位或4位两种形式，核心分类依据是前3位编码，因此可以先提取CAUSABAS的前3位，再用%in%匹配预定义分类向量，这种方法对大型数据框性能更友好。

示例代码：

library(dplyr)

# 示例预定义分类向量（根据你的实际向量调整）
doen_cardio <- c("I00", "I01", "I10", "I11")
arbov <- c("A90", "A91", "B50")
outras_doen <- c("J00", "J01")

# 生成分类列
sim <- sim %>%
  mutate(
    # 提取前3位作为匹配前缀
    causa_prefix = substr(CAUSABAS, 1, 3),
    grupo_causa_basica = case_when(
      causa_prefix %in% doen_cardio ~ "Doenças Cardiovasculares",
      causa_prefix %in% arbov ~ "Doenças Arbovíricas",
      causa_prefix %in% outras_doen ~ "Outras Doenças",
      # 未匹配的编码归为其他类
      TRUE ~ "Não Classificado"
    )
  )

# 可选：删除临时前缀列
sim <- sim %>% select(-causa_prefix)

方法二：正则表达式前缀匹配（灵活通用） #

如果需要处理非固定长度的前缀规则，可使用正则表达式锚定开头，结合str_detect实现多前缀匹配。

示例代码：

library(dplyr)
library(stringr)

# 预定义分类向量同前
doen_cardio <- c("I00", "I01", "I10", "I11")
arbov <- c("A90", "A91", "B50")
outras_doen <- c("J00", "J01")

sim <- sim %>%
  mutate(grupo_causa_basica = case_when(
    # 匹配任意以doen_cardio中编码开头的记录
    str_detect(CAUSABAS, paste0("^(", paste(doen_cardio, collapse = "|"), ")")) ~ "Doenças Cardiovasculares",
    # 匹配虫媒病毒病相关编码
    str_detect(CAUSABAS, paste0("^(", paste(arbov, collapse = "|"), ")")) ~ "Doenças Arbovíricas",
    # 匹配其他分类
    str_detect(CAUSABAS, paste0("^(", paste(outras_doen, collapse = "|"), ")")) ~ "Outras Doenças",
    TRUE ~ "Não Classificado"
  ))

关键注意事项 #

• 匹配顺序：case_when按代码顺序匹配第一个满足条件的分类，若存在编码前缀重叠的情况，将优先级高的分类放在前面。
• 格式一致性：确保预定义向量中的编码与CAUSABAS的格式完全一致（如大小写、无额外空格），避免匹配失败。
• 性能优化：方法一的substr操作比正则表达式更快，适合处理microdatasus导出的大型数据集。

内容的提问来源于stack exchange，提问作者Danilo Imbimbo