R中整理EHR导出数据：将分散info文本合并为tidymodel输入格式

解决思路 #

通过生成分组标识，将同一条目的多行info内容合并到对应条目行，最终实现每行对应一个完整条目。核心是利用cumsum()识别条目起始行，再按分组聚合合并内容。

代码实现 #

首先加载tidyverse工具包（适配tidymodel生态）：

library(tidyverse)

假设你的数据框名为ehr_data，执行以下代码完成整理：

ehr_cleaned <- ehr_data %>%
  # 生成分组ID：每遇到op_saal/vorname/seite均非空的行，分组号递增
  mutate(group_id = cumsum(!is.na(op_saal) & !is.na(vorname) & !is.na(seite))) %>%
  # 按分组聚合数据
  group_by(group_id) %>%
  summarise(
    op_saal = first(na.omit(op_saal)),  # 提取分组内唯一非空的op_saal值
    vorname = first(na.omit(vorname)),
    seite = first(na.omit(seite)),
    info = str_c(info, collapse = ", ")  # 合并同分组的所有info内容
  ) %>%
  ungroup() %>%
  select(-group_id)  # 移除临时分组ID列

关键逻辑说明 #

• cumsum()函数会为每个完整条目（起始行）分配唯一分组号，后续属于该条目的空行自动归入同一分组。
• first(na.omit(col))确保只保留每个分组中关键列的有效数据（因为每个条目仅起始行有这些值）。
• str_c(..., collapse = ", ")按照示例要求，用逗号加空格合并多行info内容，保证格式一致。

内容的提问来源于stack exchange，提问作者Peter Hahn