在R中实现多列文本关键词共现统计与交叉制表的方法问询

需求说明 #

针对包含论文标题（TI）和摘要（AB）的数据框，统计**TI列含cancer/CVD与AB列含pancreatic（含变体）/diet**的条目共现情况，生成交叉统计表。

可复现示例数据 #

# 创建示例数据框
TI <- c('Studies of pancreatic cancer',
        'colon, breast, and pancreatic cancer',
        'cancer and CVD paper', 
        'CVD paper'
        )
AB <- c('Autoimmune pancreatitis (AIP) is now considered a disease to be treated by diet.',
        'dietary patterns, positive associations were found between pancreatic cancer risk ',
        'Cardiovascular diseases (CVD) is linked to Diet',
        'making this match with pancreas'
        )

df <- data.frame(TI, AB)
# 字段说明：TI = 论文标题，AB = 论文摘要

实现步骤 #

1. 为每条数据添加关键词匹配标记 #

通过grepl()函数标记每条数据是否命中目标关键词，方便后续统计：

# 标记TI列是否包含cancer或CVD
df$TI_has_cancer <- grepl("cancer*", df$TI, ignore.case = TRUE)
df$TI_has_CVD <- grepl("CVD", df$TI, ignore.case = TRUE)

# 标记AB列是否包含pancreatic变体或diet
df$AB_has_pancreatic <- grepl("pancreat*", df$AB, ignore.case = TRUE)
df$AB_has_diet <- grepl("diet*", df$AB, ignore.case = TRUE)

2. 生成交叉表 #

可根据需求选择两种生成方式：

方式1：合并分组的交叉表

将TI列的关键词合并为分组（含cancer、含CVD、同时含两者、都不含），再与AB列的关键词分组做交叉统计：

# 加载dplyr包（未安装则先执行 install.packages("dplyr")）
library(dplyr)

# 创建TI分组列
df$TI_group <- case_when(
  df$TI_has_cancer & df$TI_has_CVD ~ "cancer + CVD",
  df$TI_has_cancer ~ "cancer",
  df$TI_has_CVD ~ "CVD",
  TRUE ~ "Neither"
)

# 创建AB分组列
df$AB_group <- case_when(
  df$AB_has_pancreatic & df$AB_has_diet ~ "pancreatic + diet",
  df$AB_has_pancreatic ~ "pancreatic",
  df$AB_has_diet ~ "diet",
  TRUE ~ "Neither"
)

# 生成交叉表
cross_table <- table(TI_Group = df$TI_group, AB_Group = df$AB_group)

# 查看结果
print(cross_table)

运行后输出结果：

AB_Group
TI_Group   pancreatic pancreatic + diet diet Neither
  cancer            0                 2    0       0
  cancer + CVD      0                 0    1       0
  CVD               1                 0    0       0

方式2：单个关键词的交叉表

如果需要单独查看TI列中cancer/CVD分别与AB列关键词的共现情况，可直接生成两两交叉表：

# TI含cancer vs AB关键词的交叉表
table(TI_Cancer = df$TI_has_cancer, AB_Keyword = df$AB_group)

# TI含CVD vs AB关键词的交叉表
table(TI_CVD = df$TI_has_CVD, AB_Keyword = df$AB_group)

补充说明 #

• grepl()比grep()更适合标记，因为它直接返回逻辑值（TRUE/FALSE），方便后续统计
• 正则表达式pancreat*可以匹配pancreatic、pancreatitis、pancreas等变体
• 若需要更美观的表格输出，可以使用knitr::kable(cross_table)将交叉表转为格式化表格

内容的提问来源于stack exchange，提问作者Erin Giles