如何在R语言中避免多次使用OR逻辑？优化多列筛选代码

数据框 #

需求 #

筛选出接受过手术A或B的患者（不考虑顺序或是否同时接受两种手术）。

现有代码及痛点 #

现有代码可正常运行，但实际场景需处理50个手术变量（procedure_1至procedure_50）、10种目标手术（A至J）、700万条观测数据，原代码逐个变量写判断的方式扩展性差且效率不足：

library(dplyr)
procedure_list <- list("A","B")
dataframe <- dataframe %>%
      mutate(procedure_test = case_when(procedure_1 %in% procedure_list| 
                                 procedure_2 %in% procedure_list|
                                 procedure_3 %in% procedure_list ~ 1, TRUE ~ 0) %>%
      subset(procedure_test==1)

方案1：dplyr高效写法（简洁且低内存） #

利用dplyr的if_any函数（需dplyr 1.0.0+版本）批量处理所有手术变量，直接在filter中完成筛选，避免生成中间列：

library(dplyr)

# 目标手术用向量存储，比列表更高效
target_procedures <- c("A", "B")

# 自动匹配所有procedure_开头的变量，判断每行是否有符合条件的手术
filtered_df <- dataframe %>%
  filter(if_any(starts_with("procedure_"), ~ .x %in% target_procedures))

如果版本较低，可改用across+rowSums的组合：

filtered_df <- dataframe %>%
  filter(across(starts_with("procedure_"), ~ .x %in% target_procedures) %>% rowSums() > 0)

方案2：data.table（超大数据集首选） #

针对700万条数据，data.table的内存效率和运行速度远优于基础dplyr，推荐使用：

library(data.table)

# 转换为data.table格式
setDT(dataframe)

# 匹配所有手术变量列
procedure_cols <- grep("^procedure_", names(dataframe), value = TRUE)
target_procedures <- c("A", "B")

# 用Reduce累积逻辑或运算，直接生成筛选条件
filtered_dt <- dataframe[Reduce(`|`, lapply(procedure_cols, function(col) dataframe[[col]] %in% target_procedures))]

额外优化建议 #

• 将手术变量转为因子：由于手术类型仅A-J共10种，转成因子可大幅减少内存占用，加快匹配速度：

  dataframe <- dataframe %>%
    mutate(across(starts_with("procedure_"), factor, levels = LETTERS[1:10]))
  

• 避免修改原数据：尽量生成新的筛选后数据框，防止原数据被意外覆盖
• 按需加载包：如果仅用data.table处理，无需加载dplyr，减少环境负担

内容的提问来源于stack exchange，提问作者Darla Carvallo