如何从含多条目的DataFrame行提取字符串并筛选美国临床站点？

需求说明 #

你的CSV数据存在格式问题：部分行包含多个用|分隔的临床试验站点，部分站点地址被换行拆分，需要完成以下操作：

• 将多行多条目拆分为单个站点条目
• 筛选仅位于美国的站点
• 生成唯一站点列表

解决方案（基于Tidyverse） #

以下是分步实现的代码，适配你的数据格式：

1. 读取并预处理数据

先清理数据中的行号、空行，合并被换行拆分的站点地址：

library(tidyverse)

# 读取所有行（替换为你的文件路径）
lines <- read_lines("your_clinical_sites.csv")

# 过滤无效行：空行、表头、纯数字行号
clean_lines <- lines %>%
  str_trim() %>%
  keep(~ .x != "" && .x != "Locations" && !str_detect(.x, "^\\d+$"))

# 合并被换行拆分的站点（比如跨两行的加拿大站点地址）
merged_lines <- vector("character", length(clean_lines))
i <- 1
while(i <= length(clean_lines)) {
  current_line <- clean_lines[i]
  # 若当前行不是美国站点且下一行存在，合并两行
  if(i < length(clean_lines) && !str_detect(current_line, "United States$")) {
    current_line <- str_c(current_line, clean_lines[i+1], sep = " ")
    i <- i + 2
  } else {
    i <- i + 1
  }
  merged_lines[i-1] <- current_line
}
# 去除NA值
merged_lines <- merged_lines[!is.na(merged_lines)]

# 转换为数据框
site_df <- tibble(location = merged_lines)

2. 拆分多条目行并清洗

将每行的多个站点用|拆分，去除每个条目的前后空白：

split_sites <- site_df %>%
  separate_rows(location, sep = "\\|") %>%
  mutate(location = str_trim(location))

3. 筛选美国站点并去重

提取仅包含美国地址的站点，生成唯一列表：

us_unique_sites <- split_sites %>%
  filter(str_detect(location, "United States$")) %>%
  distinct(location) %>%
  arrange(location)

4. 输出结果

查看或导出处理后的站点列表：

# 打印所有结果
print(us_unique_sites, n = Inf)

# 导出到文本文件（可选）
write_lines(us_unique_sites$location, "us_clinical_sites_unique.txt")

效果验证 #

处理后会得到符合你需求的唯一美国临床试验站点列表，例如：

University of Pennsylvania, Philadelphia, Pennsylvania, United States
University of Texas Southwestern Medical Center - Dallas, Dallas, Texas, United States
Houston Methodist Cancer Center, Houston, Texas, United States
Hem-Onc Associates of the Treasure Coast, Port Saint Lucie, Florida, United States
Moffitt Cancer Center, Tampa, Florida, United States
...

内容的提问来源于stack exchange，提问作者rumple.weed37